Com sua capacidade de imitar funções cognitivas humanas, a inteligência artificial (IA) revolucionou indústrias, melhorou a eficiência e desbloqueou novas possibilidades. Nos últimos anos, os governos adotaram uma variedade para fornecer previsões e recomendações em diversos campos, como saúde, finanças, agricultura, educação, mídias sociais e segurança de dados.

Desde o surgimento da COVID-19, as tecnologias têm experimentado uma adoção e utilização aceleradas em diversos domínios dentro do setor de saúde. Em resposta à pandemia, a IA emergiu como uma ferramenta valiosa e está sendo usada para detecção e diagnóstico de doenças, imagens médicas e análises, planejamento de tratamento e medicina personalizada, descoberta e desenvolvimento de medicamentos, análise preditiva e avaliação de riscos.

Com isso, Poalelung e colaboradores (2023) realizaram uma revisão para explorar as diversas utilização da IA na saúde.

• Detecção e Diagnóstico de Doenças e Imagens Médicas

O primeiro passo no processo de diagnóstico envolve obter um histórico médico completo e realizar um exame físico. Um exemplo uma técnica de IA que pode ser citada é a análise de som para reconhecer a COVID-19 a partir da respiração, tosse e voz. Além disso, para um diagnóstico preciso, algoritmos de IA podem ser usados para a análise de exames médicos e imagens patológicas. As aplicações de imagens incluem a determinação da fração de ejeção a partir de ecocardiogramas, a detecção e quantificação volumétrica de nódulos pulmonares em radiografias e quantificação de densidades mamárias via mamografia.

• Planejamento de Tratamento e Medicina Personalizada

Ferramentas de IA têm a capacidade de analisar grandes quantidades de dados e detectar padrões. Portanto, podem fazer previsões para estratégias de tratamento eficientes e personalizadas. A medicina personalizada utiliza práticas e decisões médicas para fornecer serviços de saúde individuais aos pacientes. Por exemplo, o CURATE.AI é uma plataforma derivada de IA que mapeia a relação entre a intensidade de uma intervenção (entrada - medicamento) e um resultado fenotípico (saída) para um indivíduo, com base exclusivamente nos dados desse indivíduo, criando um perfil, que serve como um mapa para prever o resultado para uma entrada especificada e recomendar a intensidade da intervenção que fornecerá o melhor resultado.

• Descoberta e Desenvolvimento de Medicamentos

Na indústria farmacêutica, a IA pode reconhecer compostos iniciais e principais e fornecer uma validação mais rápida do alvo do medicamento e otimização do design da estrutura do medicamento. Em janeiro de 2023, a Insilico Medicine anunciou uma leitura de linha de frente encorajadora de seu ensaio de fase 1 de segurança e farmacocinética da molécula INS018_055, projetada por IA para fibrose pulmonar idiopática, uma doença progressiva que causa cicatrização dos pulmões.

• Análise Preditiva e Avaliação de Riscos

A avaliação do risco de doenças é o processo de avaliar a probabilidade de uma pessoa desenvolver certas patologias, com base em fatores de risco como predisposições genéticas, exposições ambientais e escolhas de estilo de vida. Técnicas de IA foram adotadas para lidar com as várias etapas envolvidas na análise genômica clínica, incluindo chamada de variantes, anotação do genoma, classificação de variantes e correspondência fenótipo-genótipo, e talvez eventualmente também possam ser aplicadas a previsões de genótipo-fenótipo. Por exemplo, um estudo alcançou uma previsão bem-sucedida de prognóstico para 27 de 36 cânceres empregando IA para analisar vários tipos de dados biológicos.

• Cardiologia

A IA tem sido empregada para interpretar ecocardiogramas, identificar automaticamente ritmos cardíacos a partir de um eletrocardiograma (ECG) e detectar a presença de doenças cardíacas como disfunção ventricular esquerda a partir do ECG de superfície. Em um estudo realizado na China por Weng S.F. et al., entre 2005 e 2015, utilizando dados clínicos de rotina de mais de 350.000 pacientes, a IA melhorou significativamente a precisão da previsão de risco cardiovascular, prevendo corretamente 355 (7,6% adicionais) pacientes que desenvolveram doença cardiovascular em comparação com o algoritmo estabelecido.

• Dermatologia

De acordo com Young AT. et al., (2020), o diagnóstico automatizado de lesões cutâneas por IA tem o potencial de fornecer suporte diagnóstico e acesso expandido aos cuidados. Uma meta-análise encontrou que a precisão do diagnóstico assistido por computador de melanoma é comparável à dos especialistas humanos.

• Gastroenterologia

Kröner et al., (2021) afirmaram que as aplicações clínicas de sistemas de IA em gastroenterologia e hepatologia incluem a identificação de lesões pré-malignas ou malignas (por exemplo, identificação de displasia ou adenocarcinoma esofágico no esôfago de Barrett, malignidades pancreáticas), detecção de lesões (por exemplo, identificação e classificação de pólipos, lesão hemorrágica no intestino delgado na endoscopia cápsula, lesões císticas pancreáticas), desenvolvimento de sistemas de pontuação objetiva para estratificação de risco, previsão de prognóstico da doença ou resposta ao tratamento (por exemplo, determinação da sobrevivência em pacientes pós-ressecção de carcinoma hepatocelular), determinando quais pacientes com doença inflamatória intestinal (DII) se beneficiarão da terapia biológica ou avaliação de métricas como pontuação de preparo intestinal ou qualidade do exame endoscópico.

• Neurologia e Neurociência

De acordo com Pedersen (2020), a IA tem o potencial de criar uma mudança de paradigma no diagnóstico, tratamento e previsão de doenças neurológicas. Hazlett et al., (2017) afirmaram que um algoritmo de aprendizado profundo utilizou imagens de ressonância magnética (IRM) do cérebro de indivíduos de 6 a 12 meses de idade para prever o diagnóstico de autismo em crianças de alto risco aos 24 meses, com um valor preditivo positivo de 81%. Além disso, Ienca e Ignatiadis (2020) enfatizaram que o uso de algoritmos de reconhecimento de padrões e extração de características, por exemplo, pode contribuir significativamente para o diagnóstico precoce e mais preciso de doenças cerebrais, como tumores cerebrais ou doença de Alzheimer, em estágios mais tratáveis em comparação com modelos preditivos convencionais.

• Oftalmologia

Rathi S. et al., (2017) declararam que a teleoftalmologia foi bem estabelecida para auxiliar na detecção de retinopatia da prematuridade (ROP), triagem de retinopatia diabética e está sendo explorada para glaucoma e outros campos da oftalmologia. Além disso, Gulshan V. et al., (2016) demonstraram a utilidade clínica de um algoritmo de aprendizado de máquina profundo que avaliou fotografias de fundo de olho de adultos que detectaram retinopatia diabética referível com alta sensibilidade e especificidade. Long et al., (2017) mostraram que um agente de IA, usando aprendizado profundo e redes neurais, diagnosticou com precisão e forneceu decisões de tratamento para cataratas congênitas em um ensaio clínico multicêntrico, com desempenho tão bom quanto oftalmologistas individuais.

• Psiquiatria

A literatura emergente tem mostrado que a IA está se mostrando útil na medicina psicológica e na psiquiatria. De acordo com Pham et al., (2022), nas últimas duas décadas, a tecnologia começou a incorporar estudos de neuroimagem de pacientes psiquiátricos com modelos de aprendizado profundo para classificar pacientes com transtornos psiquiátricos. Vieira et al., (2017) foram capazes de classificar pacientes esquizofrênicos e controles com uma precisão de 85,5% ao extrair padrões de conectividade funcional de RMIs funcionais de repouso de pacientes esquizofrênicos e controles saudáveis. Pesquisadores do Centro Médico da Universidade Vanderbilt criaram algoritmos de aprendizado de máquina que alcançaram uma precisão de 80–90% ao prever se alguém tentará suicídio nos próximos 2 anos e 92% na próxima semana.

• Radiologia

De acordo com Hosny et al., (2018), os métodos de IA reconhecem automaticamente padrões complexos em dados de imagem e fornecem avaliações quantitativas, em vez de qualitativas, das características radiográficas. Chen et al., (2016) mantiveram que estudos também mostraram que as tecnologias estão no mesmo nível de desempenho dos radiologistas tanto para tarefas de detecção e segmentação em ultrassonografia e ressonância magnética, respectivamente. Além disso, Wang et al., (2017) declararam que para as tarefas de classificação de metástase linfonodal em PET-CT (tomografia computadorizada por emissão de pósitrons), o aprendizado profundo teve sensibilidades mais altas, mas especificidades mais baixas do que os radiologistas.

• Cirurgia

De acordo com Zhou et al., (2020), os avanços na cirurgia revolucionaram o manejo de doenças agudas e crônicas, prolongando a vida e ampliando o limite de sobrevivência do paciente. Além disso, os robôs atuais já podem executar automaticamente algumas tarefas cirúrgicas simples, como suturar e dar nós. Por exemplo, em 2016, um robô cirúrgico inteligente costurou completamente os intestinos delgados de um porco por conta própria e conseguiu superar os cirurgiões humanos que receberam a mesma tarefa.

• Patologia

No sistema de saúde moderno, IA e Patologia Digital (PD) têm o potencial de desafiar a prática tradicional e fornecer precisão para diagnósticos patológicos. Cui e Zhang  (2021) definiram PD como o processo de digitalização de lâminas de histopatologia, imuno-histoquímica ou citologia usando scanners de lâminas inteiras, bem como a interpretação, gerenciamento e análise dessas imagens usando abordagens computacionais. Segundo Niazi et al., (2019), a imagem de lâmina inteira (WSI) permite que essas sejam digitalizadas e armazenadas permanentemente em alta resolução, um processo que fornece uma vasta quantidade de informações, que podem ser compartilhadas para uso clínico ou telepatologia, Dois scanners foram aprovados pela Food and Drug Administration (FDA) para revisão e interpretação de lâminas de patologia cirúrgica digitais preparadas a partir de tecido biopsiado.

O uso de análise de imagem digital em patologia pode identificar e quantificar tipos específicos de células de forma rápida e precisa e pode avaliar quantitativamente características histológicas, padrões morfológicos e regiões de interesse biologicamente relevantes. Como declarado por Balázs et al., (2020), resultados recentes inovadores demonstraram que aplicações de métodos da IA melhoram significativamente a pontuação de Ki67 no câncer de mama, a classificação de Gleason no câncer de próstata e a pontuação de linfócitos infiltrantes de tumores (TIL) no melanoma.

• Urologia

As aplicações de IA incluem: utilizando imagens radiômicas ou dados de eco ultrassônico para melhorar ou automatizar a detecção de câncer ou previsão de desfecho, utilizando imagens digitalizadas de espécimes de tecido para automatizar a detecção de câncer em lâminas de patologia, e combinando dados clínicos do paciente, biomarcadores ou expressão gênica para auxiliar no diagnóstico de doenças ou previsão de desfecho. Por exemplo, Kott et al., testaram um sistema baseado em IA para detectar câncer de próstata que resultou em uma precisão de 91,5% na classificação de lâminas como benignas ou malignas.

• Ginecologia

Numerosas investigações de pesquisa focadas no câncer de colo do útero e na neoplasia intraepitelial cervical (CIN) documentaram a aplicação da IA. As principais áreas onde essa tecnologia foi empregada incluem a avaliação da colposcopia, imagens de ressonância magnética (MRI), tomografias computadorizadas (CT), citologia e dados relacionados ao papilomavírus humano (HPV).