_ ** Este artigo de opinião foi escrito por Alison Murray, Roland Sutton Professor e Presidente de Radiologia da Universidade de Aberdeen e foi publicado originalmente por The Conversation. Para mais informações como essa, consulte nosso feed de notícias saúde e bem-estar. ** _
Existem mais exames radiológicos do que nunca, mas muito poucos radiologistas para interpretá-los. The Medical Futurist, CC BY
Já se passaram quase 40 anos uma [máquina de ressonância magnética de corpo inteiro](http: //broughttolife.sciencemuseum.org.uk/broughttolife/objects/display?id=6765&image=1) foi usado pela primeira vez para digitalizar um paciente e gerar imagens de qualidade diagnóstica. Os métodos de scanner e processamento de sinal necessários para produzir uma imagem foram desenvolvidos por uma equipe de físicos médicos, incluindo John Mallard, Jim Hutchinson, Bill Edelstein e Tom Redpath da Universidade de Aberdeen, levando ao uso generalizado do scanner de ressonância magnética, agora uma ferramenta onipresente nos departamentos de radiologia em todo o mundo.
A ressonância magnética foi uma virada de jogo no diagnóstico médico porque não exigia exposição à radiação ionizante (como raios-X) e podia gerar imagens em várias seções transversais do corpo com excelente definição de tecidos moles. Isso permitiu, por exemplo, a visualização direta da medula espinhal pela primeira vez.
Os radiologistas estão trabalhando para ficar parados
A maioria das pessoas hoje deve ter feito uma ressonância magnética ou conhece alguém que já fez. Junto com outras ferramentas disponíveis para os radiologistas, a ressonância magnética tornou-se essencial para confirmar a extensão da doença, identificar se o paciente respondeu ao tratamento e demonstrar complicações e, em alguns casos, orientar a intervenção.
Mas a radiologia tornou-se vítima de seu próprio sucesso, com um aumento exponencial no número de exames de imagem solicitados em sistemas de saúde cada vez mais complexos que atendem a uma população em envelhecimento. A demanda supera o fornecimento de radiologistas e radiologistas disponíveis para produzir esses exames em [sistemas de saúde] com financiamento público (https://apolitical.co/solution_article/healthcare-access-why-the-who-is-recognising-traditional-medicine/ ), como o NHS.
Na Escócia, em particular, o [número de radiologistas consultores definiu](https://www.rcr.ac.uk/system/files/publication/field_publication_files/clinical-radiology-uk-workforce-census-report- 2018.pdf) nos últimos dez anos, enquanto a variedade e a complexidade dos métodos de imagem aumentam a cada geração de scanners. Os radiologistas estão trabalhando para ficar parados, mesmo com os departamentos mais eficientes terceirizando parte de sua carga de trabalho para agências externas.
Interpretar os detalhes extraordinários dos exames de ressonância magnética é algo que pode ser automatizado usando IA. mgdtgd, CC BY-SA
O potencial e os problemas da IA
Enquanto isso, os inovadores da indústria têm visto as oportunidades potenciais que a inteligência artificial (IA) pode trazer para a saúde, particularmente radiologia e patologia que são baseadas em imagens digitais. Algoritmos de aprendizado de máquina alimentados com grandes quantidades de diagnósticos anteriores podem gerar novas regras para classificar varreduras com base em exemplos anteriores. A abordagem de aplicação desta técnica para varreduras de diagnóstico é conhecida como radiomics.
Uma barreira para um uso mais amplo é a falta de acesso seguro aos dados confidenciais do paciente para desenvolver e testar modelos de IA. Outro é a falta de confiança do público em novos métodos - embora a tomada de decisões informatizada na área da saúde [remonta ao início dos anos 1970](https://theconversation.com/ai-can-excel-at-medical-diagnosis- mas-a-tarefa-mais-difícil-é-ganhar corações e mentes primeiro-63782). Finalmente, há o problema de avaliar novos métodos com base em dados do mundo real.
Podemos perguntar se precisamos de inteligência artificial no atendimento ao paciente. Mas o poder dessas novas técnicas pode oferecer grandes oportunidades. Por mais habilidosos que sejam, os humanos estão sujeitos à fadiga, ao tédio e a interrupções regulares, e é aí que podem ocorrer erros.
As máquinas podem trabalhar sem se cansar, mas sua capacidade de tomar decisões intuitivas ou contar com anos de experiência para reconhecer quando uma anormalidade representa um risco urgente é desconhecida. Mesmo sem depender da inteligência artificial para questões complexas, apenas usá-la para tarefas mundanas, como marcação de consultas, alocação de pessoal e equipamentos, priorização de trabalhos de radiologistas ou incorporação de dados de registros de saúde, liberaria o tempo dos médicos para outras tarefas.
Um testbed para futuros cuidados de saúde
No Reino Unido, iCAIRD, o Centro Industrial de Pesquisa de Inteligência Artificial em Diagnóstico Digital, reúne especialistas das Universidades de Aberdeen, Edimburgo, Glasgow e St Andrews junto com o NHS e parceiros da indústria como Canon e Phillips em um centro de £ 15 milhões baseado em Glasgow.
Lançado no ano passado, o projeto testará o quão bem os algoritmos de inteligência artificial se comparam à experiência humana, fornecendo acesso seguro a dados clínicos anônimos em áreas como rastreamento de câncer de mama, diagnóstico e tratamento de derrame, radiografias de tórax de A&E e cervical e endometrial patologia do câncer. Usando uma abordagem estabelecida para acesso seguro a imagens anônimas, relatórios e dados clínicos relevantes, os pesquisadores de IA serão capazes de desenvolver e testar seus métodos. O iCAIRD também criará um banco de dados nacional de patologia digital.
Assim como os novos medicamentos devem ser avaliados adequadamente antes do uso, também devem os novos métodos de inteligência artificial
O tratamento do câncer normalmente envolve reuniões de equipes multidisciplinares entre médicos de diferentes especialidades: da mesma forma, o objetivo do iCAIRD é que vários aplicativos de inteligência artificial possam ser integrados para criar uma reunião de equipe multidisciplinar virtual baseada em IA, onde o conhecimento de radiologia e patologia pode direcionar gerenciamento personalizado de pacientes com câncer.
Assim como as novas drogas devem ser avaliadas adequadamente antes do uso, o mesmo ocorre com os novos métodos de inteligência artificial. Temos a sorte de poder, por meio do iCAIRD, avaliar o desempenho desses novos algoritmos com dados do mundo real. É claramente crucial trazer o público nesta jornada de avaliação da IA como uma solução potencial.
Qualquer nova forma de trabalhar provavelmente terá um preço - seja lucro para as empresas que desenvolvem IA, assim como a indústria farmacêutica lucra com novos medicamentos - ou um custo para o público na perda absoluta de pacientes dados privacidade. Como equilibrar isso e garantir a boa governança da IA na saúde deve ser um assunto para debate público, e não a função de um único setor, ou um punhado de empresas.
Em última análise, os benefícios serão maximizados se nós, como equipe de saúde, pacientes e membros do público, estivermos envolvidos na determinação da direção da jornada. A responsabilidade é de todos nós.
Este artigo foi publicado originalmente por The Conversation. Para ler o artigo, clique aqui .
(Crédito da imagem: Unsplash)
Inicie sessão ou registe-se para continuar a conversa