Avanços em inteligência artificial (IA) nos enchem de expectativas para que esse tipo de tecnologia seja implementada em cada vez mais serviços cotidianos. Exemplo dessas aplicações é a triagem de pacientes em hospitais. Mas será que as IAs que temos disponíveis atualmente estão funcionando de forma satisfatória em situações clínicas reais? De acordo com a Google Health, parece que não.

Testes em campo da IA da Google Health

A primeira oportunidade do Google para testar a ferramenta em um ambiente real veio da Tailândia. O ministério da saúde do país estabeleceu uma meta anual para rastrear 60% das pessoas com diabetes para retinopatia diabética, o que pode causar cegueira se não for identificada cedo. Porém, com cerca de 4,5 milhões de pacientes com apenas 200 especialistas em retina - o dobro da proporção nos EUA - as clínicas estão lutando para atingir a meta.

A Google possui a autorização da marca CE, que cobre a Tailândia, mas ainda aguarda a aprovação do FDA. Para ver se a IA poderia ajudar, a equipe do Google Health equipou 11 clínicas com um sistema de aprendizado profundo treinado para detectar sinais de doenças oculares em pacientes com diabetes.

No sistema que a Tailândia estava usando, os enfermeiros tiram fotos dos olhos dos pacientes durante os check-ups e os enviam para que sejam examinados por um especialista em outro lugar, um processo que pode levar até 10 semanas. A IA desenvolvida pela Google Health pode identificar sinais de retinopatia diabética a partir de uma varredura ocular com mais de 90% de precisão - que a equipe chama de "nível especialista humano" - e, teoricamente, fornece um resultado em menos de 10 minutos. O sistema, por meio do reconhecimento de padrões, analisa imagens para indicadores da condição, como vasos sanguíneos bloqueados ou com vazamento.

Precisão que muito ajuda é a que não atrapalha

Quando funcionou bem, a IA acelerou as coisas. Até aí, ótimo. O problema foi quando os resultados foram falhos. Ocorre que, como a maioria dos sistemas de reconhecimento de imagem, o modelo de aprendizado profundo havia sido treinado em digitalizações de alta qualidade, obtidas no ambiente controlado do laboratório. Dessa forma, visando garantir a precisão, ele foi projetado para rejeitar imagens que caíam abaixo de um certo limite de qualidade. Com a equipe de enfermagem digitalizando dezenas de pacientes por hora e tirando fotos com más condições de iluminação, mais de um quinto das imagens foram rejeitadas.

Os pacientes cujas imagens foram expulsas do sistema foram informados de que precisariam visitar um especialista em outra clínica em outro dia. Não é difícil para a gente entender que isso era inconveniente. Imaginem em uma situação de pandemia, como a do coronavírus, em que se busca justamente manter as pessoas em casa e fora de ambientes de risco, tais como clínicas e hospitais.

Igualmente, a equipe de enfermagem que atuou nesse estudo na Tailândia se sentiu frustrada, principalmente quando acreditavam que as varreduras rejeitadas não mostravam sinais de doença e as consultas de acompanhamento eram desnecessárias. A mesma coisa de colocar alguém que não precisa de fato do atendimento médico em risco.

Parece que ainda não chegou a hora de termos inteligências artificiais independentes trabalhando na linha de frente de hospitais. Por enquanto, vale nos contentar com a idealização do Baymax.

O que você acha do uso da inteligência artificial em saúde? Comente!

Fonte: Google Research, MIT Technology Review, TechCrunch.

Kamila Jessie

Doutora em Hidráulica e Saneamento pela Universidade de São Paulo (EESC/USP) e Mestre em Ciências pela mesma instituição; é formada em Engenharia Ambiental e Sanitária pelo Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG) com período sanduíche na University of Ottawa, no Canadá; possui experiência em tratamentos físico-químicos de água e efluentes; atualmente, integra o Centro de Pesquisa em Óptica e Fotônica (CePOF) do Instituto de Física de São Carlos (USP), onde realiza estágio pós-doutoral no Biophotonics Lab.