Serviços de saúde ao redor do mundo já incorporam algoritmos capazes de analisar exames, apoiar a decisão clínica e recomendar condutas com base em protocolos, com velocidade e escala que nenhuma equipe humana conseguiria replicar sozinha [1].
Introdução: O Encontro entre Algoritmos e Jaleco Branco
A chamada IA fraca — aquela que não simula consciência, mas extrai padrões de grandes volumes de dados — encontrou na medicina um terreno fértil. O setor gera diariamente uma quantidade massiva de informações: laudos de imagem, resultados laboratoriais, registros clínicos, dados genéticos e sinais captados por dispositivos vestíveis [1]. Processar esse oceano manualmente é inviável. Ainda assim, o computador oferece o "o quê", mas cabe ao médico discutir com o paciente o problema de saúde, suas possíveis soluções e o "porquê" de cada caso — razão pela qual o médico não será substituído por uma máquina [2].
O alcance vai do consultório aos centros de pesquisa farmacêutica, passando pelas salas de cirurgia. Diagnóstico assistido por imagem, triagem em massa, descoberta de fármacos e sistemas de alerta precoce já produzem resultados mensuráveis — e levantam questões éticas que a comunidade médica não pode ignorar [3].
Diagnóstico por Imagem: Quando a Máquina Enxerga o Invisível
A radiologia foi uma das primeiras especialidades a sentir o impacto da IA. Cada tomografia pode gerar centenas de cortes, e algoritmos de aprendizado profundo (deep learning) funcionam como uma segunda opinião digital, vasculhando as imagens em busca de padrões que o olho humano, sujeito à fadiga, pode deixar escapar [3].
O motor por trás da visão computacional
Redes neurais treinadas com grandes conjuntos de imagens rotuladas por especialistas aprendem a reconhecer padrões associados a lesões específicas. Na mamografia, um sistema avaliado com dados do Reino Unido e dos Estados Unidos reduziu falsos positivos e falsos negativos e, numa simulação do sistema britânico de dupla leitura, manteve desempenho não inferior reduzindo em 88% o trabalho do segundo leitor — resultado que os próprios autores dizem precisar de estudos prospectivos para ser confirmado na prática [4].
Além da radiologia convencional
Na dermatologia, uma rede neural treinada com 129.450 imagens clínicas classificou lesões de pele, incluindo melanomas, com desempenho equiparável ao de 21 dermatologistas certificados [5]. Triagem em massa e diagnóstico por imagem figuram entre as principais aplicações da IA na medicina [1].
O fator humano permanece insubstituível
Sistemas de apoio à decisão podem sugerir hipóteses diagnósticas, mas não explicam o porquê delas; a discussão do caso com o paciente continua sendo papel do médico [2]. Além disso, modelos treinados com dados pouco diversos podem falhar em grupos sub-representados: algoritmos de dermatologia de ponta tiveram desempenho bem pior em imagens de pele escura e de doenças incomuns [6].
Descoberta de Fármacos e Medicina de Precisão
Algoritmos de aprendizado profundo conseguem vasculhar bibliotecas virtuais de compostos químicos em busca de moléculas promissoras. Em 2020, pesquisadores do MIT treinaram uma rede neural para prever atividade antibacteriana, aplicaram-na a bibliotecas com mais de 107 milhões de moléculas e identificaram a halicina, composto estruturalmente diferente dos antibióticos convencionais e eficaz contra bactérias resistentes em modelos animais [7].
Na prevenção, a IA já foi usada para prever o risco de doença cardiovascular, enquanto os médicos se dedicam aos aspectos mais personalizados das consultas [1].
Cirurgia Assistida por Inteligência Artificial
Na sala de cirurgia, a visão computacional aplicada a vídeos laparoscópicos já identifica automaticamente as etapas de procedimentos como a gastrectomia vertical, e a análise em tempo real desses vídeos chegou a 92,8% de acurácia em um dos estudos revisados [8]. Os autores veem nisso uma promessa, mas também riscos, e defendem que os cirurgiões trabalhem com cientistas de dados para garantir a qualidade das informações usadas [8]. Fora do centro cirúrgico, sistemas de suporte à decisão clínica já recomendam condutas baseadas em protocolos [1].
Monitoramento e Alerta Precoce
Em hospitais, modelos de aprendizado de máquina tentam prever a sepse antes que ela se manifeste. Uma revisão sistemática de 28 estudos e 130 modelos concluiu que, em dados retrospectivos, alguns modelos conseguem antecipar o início da sepse; porém apenas três trabalhos haviam sido implementados na prática clínica, com resultados mistos [9].
Saúde Mental e Processamento de Linguagem Natural
Na saúde mental, estudos usam prontuários eletrônicos, escalas de humor, imagens cerebrais, dados de smartphones e redes sociais para prever ou classificar quadros como a depressão, e técnicas de processamento de linguagem natural foram aplicadas a prontuários para detectar ideação suicida [10]. A maioria desses trabalhos ainda é de prova de conceito, e os autores pedem cautela na interpretação dos resultados [10].
Desafios Éticos, Regulatórios e de Privacidade
Vieses nos dados podem perpetuar disparidades em saúde. Nos Estados Unidos, um algoritmo comercial usado para gerenciar milhões de pacientes subestimava a gravidade de pacientes negros porque previa gastos com saúde, e não a doença em si; corrigir o viés elevaria de 17,7% para 46,5% a parcela de pacientes negros encaminhados a cuidados extras [11]. Na dermatologia, o mesmo problema aparece no desempenho inferior em pele escura [6]. No Brasil, a Lei Geral de Proteção de Dados (LGPD) classifica dados referentes à saúde como dados pessoais sensíveis e exige, para seu tratamento com base no consentimento, que ele seja dado de forma específica e destacada [12]. Nos Estados Unidos, a FDA mantém uma lista pública, atualizada periodicamente, dos dispositivos médicos com IA que autorizou [13].
Perspectivas Futuras e Considerações Finais
A IA já mostra resultados concretos em imagem, descoberta de fármacos e alerta precoce, mas boa parte das evidências ainda vem de dados retrospectivos e simulações [4][9]. O custo para médicos e pacientes depende de como a tecnologia for adotada: com dados diversos, transparência e proteção da privacidade, ela pode ampliar o cuidado; sem isso, pode aprofundar desigualdades [6][11]. Em qualquer cenário, a máquina não substitui o médico, a quem continua cabendo o diálogo com o paciente [2].
Referências
[1] Reis, L. Inteligência artificial na medicina: 8 usos e seus benefícios. Mais Laudo. Disponível em: https://maislaudo.com.br/blog/inteligencia-artificial-na-medicina/
[2] Lobo, L. C. "Inteligência Artificial e Medicina." Revista Brasileira de Educação Médica, v. 41, n. 2, 2017. Disponível em: https://www.scielo.br/j/rbem/a/f3kqKJjVQJxB4985fDMVb8b/
[3] Topol, E. J. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, 2019. Disponível em: https://www.hachettebookgroup.com/titles/eric-topol/deep-medicine/9781541644632/
[4] McKinney, S. M. et al. "International evaluation of an AI system for breast cancer screening." Nature, v. 577, p. 89–94, 2020. Disponível em: https://doi.org/10.1038/s41586-019-1799-6
[5] Esteva, A. et al. "Dermatologist-level classification of skin cancer with deep neural networks." Nature, v. 542, p. 115–118, 2017. Disponível em: https://doi.org/10.1038/nature21056
[6] Daneshjou, R. et al. "Disparities in dermatology AI performance on a diverse, curated clinical image set." Science Advances, v. 8, eabq6147, 2022. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC9374341/
[7] Stokes, J. M. et al. "A Deep Learning Approach to Antibiotic Discovery." Cell, v. 180, n. 4, p. 688–702, 2020. Disponível em: https://doi.org/10.1016/j.cell.2020.01.021
[8] Hashimoto, D. A. et al. "Artificial Intelligence in Surgery: Promises and Perils." Annals of Surgery, v. 268, n. 1, p. 70–76, 2018. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC5995666/
[9] Fleuren, L. M. et al. "Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy." Intensive Care Medicine, v. 46, p. 383–400, 2020. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC7067741/
[10] Graham, S. et al. "Artificial Intelligence for Mental Health and Mental Illnesses: an Overview." Current Psychiatry Reports, v. 21, n. 11, art. 116, 2019. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC7274446/
[11] Obermeyer, Z. et al. "Dissecting racial bias in an algorithm used to manage the health of populations." Science, v. 366, p. 447–453, 2019. Disponível em: https://doi.org/10.1126/science.aax2342
[12] Brasil. Lei nº 13.709, de 14 de agosto de 2018 — Lei Geral de Proteção de Dados Pessoais (LGPD). Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm
[13] U.S. Food and Drug Administration. Artificial Intelligence-Enabled Medical Devices. Disponível em: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices