O clínico e a inteligência artificial

Não frequentemente, os médicos desafiam a inteligência artificial (IA) com perguntas que abordam a questão da tomada de decisões em condições de complexidade clínica variável. A situação se aproxima de um jogo de entretenimento.

Mas em um processo inverso, são os médicos que são questionados pela IA através de comunicações bibliográficas cada vez mais frequentes sobre o possível contributo desta técnica na prática clínica diária.

A resposta do profissional a este desafio pode ser enquadrada em diferentes cenários.

Rejeição. O critério baseia-se no fato de que as informações (bibliográficas, provenientes de conferências, mesas redondas e debates) juntamente com a experiência clínica do profissional, não podem ser superadas pela IA. Este raciocínio é infundado pela fenomenal capacidade de sua análise, uma vez que esta é convenientemente alimentada com múltiplos dados fiáveis.

Numa comunicação recente, os médicos de clínica geral estavam mais dispostos a aceitar a IA no diagnóstico por imagem do que os especialistas nessas práticas.

Mais contundente é o argumento baseado no fato de que a relação médico-paciente é impossível de ser superada quando se percebe o problema real mais ou menos explicado por quem atende a consulta. Afirma-se que o contato direto é e será insuperável. Este ponto pode ser refutado concluindo-se que a IA não se destina a substituir o profissional, apenas a auxiliá-lo.

Futuro distante. Neste domínio salienta-se que a IA é um projeto e não uma realidade mais ou menos imediata.

Porém, a IA é cada vez mais objeto de comunicações bibliográficas com temas de interesse de especialistas e subespecialistas. O crescimento ocorrerá em termos exponenciais e certamente médicos em formação (residentes) e profissionais já formados terão que lidar com a tecnologia em um futuro próximo. Com esta perspectiva é aconselhável aprofundar progressivamente o seu problema.

Maior complexidade. Esta afirmação pode ser verdadeira, mas depende da perspectiva pessoal. Equações, algoritmos, hiperparâmetros e os processos íntimos que governam a IA são propriedade exclusiva de matemáticos, especialistas em computação e processos. Mas outros aspectos como falsos positivos e negativos, sensibilidade e especificidade, discriminação, reclassificação etc., comuns em discussões médicas, afetam igualmente a IA.

Pode-se concluir que a IA com suas equações matemáticas precisas não é afetada por este problema e sua capacidade de discriminação será a representada graficamente. Porém, a IA fica comprometida por essas limitações mesmo quando o objetivo do estudo é a análise de imagens como o eco-doppler ou ressonância magnética nuclear em que sua capacidade de análise é insuperável.

Desta forma, apesar de suas características particulares e de complexidade que o conhecimento íntimo do seu funcionamento implica, concluir que a IA está muito longe dos interesses atuais do profissional médico é, no mínimo, precipitada.

Inteligência Artificial e Pesquisa Clínica

A IA na investigação clínica, como passo inicial para o seu posterior posicionamento na tomada de decisões médicas, está sujeita às orientações gerais firmemente estabelecidas há muito tempo.

População

Refere-se ao conjunto de indivíduos que constitui a amostra da população-alvo. Terá características próprias (idade, condições socioculturais, etnia, rendimento etc.) que determinarão se os resultados resultantes da sua análise estatística podem ou não ser generalizados a outros grupos.

Os dados

É o valor que representa uma determinada variável. Qualidades como a certeza, a consistência, o rigor, a sistematização na sua obtenção etc. São qualidades que definem a sua validade numa determinada formulação estatística.

As qualidades da população e dos dados são condições que determinam a validade da conclusão resultante de uma análise estatística. Eles são comuns às estatísticas convencionais e à inteligência artificial (IA).

Aprendizado de máquina

Machine Learning, (ML), uma das formas de IA, é o processamento de informações (relacionamento matemático, algoritmos) através do qual se tenta encontrar associações (padrões) de dados ou parâmetros (dados de entrada) ligados a outro(s) que constituem o objeto do estudo, que será expresso em termos probabilísticos. Este processo é muitas vezes chamado de aprendizagem.

No caso do aprendizado profundo, consiste em gerar associações de dados em sucessivas camadas de análise, utilizando diferentes algoritmos. Esta informação é integrada em unidades ou núcleos interligados, progressivamente em número menor. Em essência, são equações matemáticas sucessivas que são ajustadas progressivamente. Embora o desenvolvimento seja automático, o operador pode definir a priori determinados parâmetros de interesse (hiperparâmetros).

O processo continua até que seja encontrado um conjunto de associações que são finalmente ponderadas de acordo com o seu peso relativo

Por fim, com eles é formulada a equação de regressão logística para estimar a probabilidade dos dados de saída (output).

Já o resultado expresso como probabilidade por si só não fornece o nível de confiabilidade, pois deveria incluir uma medida de dispersão (intervalo de confiança). Isto implica uma dificuldade extra que acrescenta complexidade e tempo ao sistema, problema que diferentes grupos de investigadores têm abordado.

Da Estatística Convencional à Inteligência Artificial

Tópico de particular interesse para o clínico, exigindo análise de diferentes perspectivas

• Na estatística clássica, se o termo for permitido, o estatístico, juntamente com o clínico, define o objetivo primário do estudo e, a partir daí, selecionam as variáveis de confusão que poderão afetar a de interesse, os dados com isso serão representados (ponto de corte, padronização, transformação etc.) e sua incorporação final no modelo multivariado (seleção direta ou reversa). 
  Todos estes aspectos são determinados a priori. Esses critérios também se aplicam quando o objetivo da investigação é uma imagem (ECG, ecodoppler, ressonância magnética, tomografia computadorizada etc.). Pelo contrário, uma condição exclusiva da IA/ML é, na fase de treino, a sua capacidade de pesquisar, extrair e transformar dados de forma automática e independente através de algoritmos inteligentes. A informação a ser analisada pode incorporar uma infinidade de parâmetros e suas possíveis associações. Nesse processo, o julgamento clínico pode ser totalmente excluído.
• A análise bayesiana, não só do ponto de vista estatístico, mas também na tomada de decisões, é essencial. Envolve analisar o valor de novas informações (teste) partindo da plataforma do que já é conhecido ou investigado (pré-teste) para alcançar o resultado (pós-teste). Por exemplo, na análise de imagens a informação fornecida pela IA/ML pode ser analisada fora de qualquer contexto clínico, ou seja, não a integrando no algoritmo de análise original, e depois incorporando-a como um pré-teste à entrada ou teste, para obter a probabilidade final (pós-teste).
• A causalidade, como inferência a respeito de uma determinada associação de variáveis, é vital na interpretação fisiopatológica que acompanha o achado estatístico. A temporalidade como fator determinante dessa inferência pode ser resolvida pela IA/ML, mas a plausibilidade biológica é condição fundamental fornecida, em princípio, apenas pelo julgamento clínico.
• O padrão ouro e os pontos substitutos na interpretação de estudos diagnósticos, prognósticos ou de intervenção na estatística clássica apresentam as mesmas dificuldades e pontos fortes que na IA/ML.

O que foi dito acima são apenas alguns pontos de encontro e desacordo entre estatísticas médicas e IA/ML.

Talvez um editorial publicado no The New England Journal of Medicine (Mills JL: NEJM 1994 329: 1196) destinado a estatísticas médicas se encaixe perfeitamente na IA.

Nele foi comentado que “Se você torturar seus dados por tempo suficiente, eles lhe dirão tudo o que você quiser ouvir”.

 Em seguida, acrescentou que havia duas maneiras de “torturar” os dados:

No primeiro, o perpetrador simplesmente se debruça sobre os dados até que uma associação “significativa” seja encontrada entre as variáveis ​​e então elabora uma hipótese biologicamente plausível para se adequar à associação.

No segundo, foi tomada uma decisão a priori sobre uma hipótese já comprovada em pesquisas anteriores para então proceder ao ajuste dos dados a essa hipótese. (Esse tipo é realizado decidindo a hipótese a ser provada e fazendo com que os dados se ajustem à hipótese).

O segundo caso não apresenta grandes dificuldades, pois confirma o que já se sabe. Pelo contrário, a primeira exigiu novas pesquisas para aceitar ou rejeitar a nova hipótese.

Será que estas considerações, formuladas há várias décadas com referência à estatística médica clássica, se aplicam à IA/ML ou esta é uma ciência exata que se baseia em formulações matemáticas sólidas que comprovam estes erros?

É evidente que a IA/ML não está imune aos problemas resultantes da multiplicidade de dados e da busca infinita de associações, com o risco implícito de falsos positivos, o que resulta na consequente geração de hipóteses que inevitavelmente exigirão estudos de validação para serem efetivamente confirmadas. Em última análise, trata-se das dificuldades que vivemos hoje.

Imagens em Cardiologia e AI/ML

Qualidades como matiz, saturação, luminosidade, textura, etc., implicam, em registros de altíssima definição, uma quantidade de dados tal que representa um terreno perfeito para a IA identificar tendências e padrões que um profissional pode ignorar.

A utilidade da IA/ML tem sido explorada em imagens obtidas a partir de registros elétricos (ECG e outros), ecodoppler, ressonância magnética, tomografia computadorizada e tomografia por emissão de pósitrons. O objetivo do estudo pode ser estimar com maior precisão comprimentos, volumes e parâmetros de grande relevância clínica, como encurtamento regional e fração de ejeção ventricular, ou múltiplos parâmetros hemodinâmicos. As alterações estruturais de câmaras, paredes e válvulas estão incluídas na mesma categoria.

Trata-se de correlacionar essas medidas com o registro de outras técnicas, consideradas padrão-ouro, o que levanta a desvantagem de que, sendo estas últimas consideradas como tal, podem ser igualadas, mas não superadas pela IA/ML. Portanto, o objetivo/resultado geralmente deriva da estimativa da facilidade, velocidade e necessidade de treinamento de pessoal. Um impacto mais significativo é, talvez, quando o objetivo tenta avaliar as imagens na estimativa prognóstica da evolução clínica ou na abordagem ao diagnóstico diferencial de diferentes entidades e à subsequente tomada de decisão.

Inteligência Artificial e Tomada de Decisão

Existem numerosos estudos que utilizaram IA/ML na predição diagnóstica e prognóstica. Em suma, são pontuações geradas a partir de equações de regressão logística multivariada obtidas em populações mais ou menos representativas. Portanto, não representam uma mudança significativa na contribuição para a prática clínica.

Nesse sentido, talvez uma equação que inclua um maior número de parâmetros, incluindo imagens como citadas acima (aterosclerose subclínica, escore de Ca ou outras) possa ter maior capacidade preditiva.

No entanto, uma mudança verdadeiramente substancial poderia ser a integração da IA/ML nas decisões médicas quotidianas, o que constitui um desafio mais complexo. A este respeito, apenas uma análise futurológica pode ser aventurada.

Esses estudos devem ser elaborados  por especialistas em conjunto com o clínico e podem abranger vários cenários. Vejamos um exemplo.

As diretrizes de prática clínica, em certa medida, são compêndios de patologias, cardiovasculares por exemplo, que reúnem informações epidemiológicas, diagnósticas, prognósticas e de ensaios de intervenção que, sustentadas em níveis de evidência, são elencadas em graus de recomendações e algoritmos de decisão. As diretrizes costumam ser comunicadas em conferências e mesas redondas, sendo objeto de análise por profissionais que não raramente as citam em reuniões médicas como apoio a um posicionamento específico. Mas, devido à complexidade da sua consulta, não fazem parte da tomada de decisão quotidiana, exceto em situações particulares. Diferentes comunicações bibliográficas têm apontado o não cumprimento das diretrizes na prática.

Agora, seria viável que as informações disponíveis nos guias, baseadas em evidências bibliográficas e recomendações de especialistas, fossem integradas como insumos em programas de IA/ML? Talvez isso possa acontecer num futuro não distante.

Com base em dados epidemiológicos, sintomas, história, sinais e determinados exames complementares, definidos a priori como o “rótulo inicial” selecionado pelo profissional, a IA/ML poderia, num processo progressivo conforme descrito na Figura 2, encontrar certas associações que sugerem, por exemplo, a possibilidade de insuficiência cardíaca e a partir daí, passando pela estratificação prognóstica, prosseguir rumo a intervenções viáveis, expressando também o provável desfecho dessa decisão.

Neste exemplo, novamente teórico, surge um problema a ser contemplado, como as realidades do ambiente em termos de recursos, equipamentos, profissionais e experiência grupal, bem como comportamentos e acordos adotados pelo grupo que nem sempre são explicitados.

Estas condições impossibilitariam generalizações e, portanto, a “importação de algoritmos estrangeiros” que em qualquer caso deveriam ser adaptados às condições particulares do ambiente para a sua implementação.

No futuro, qualquer procedimento que inclua a análise simultânea e rápida de múltiplos dados, com a posterior adoção de decisões médicas, poderá ser objeto de investigação por parte da IA/ML. Deverão ser situações de elevada prevalência, integração amigável com o profissional e mais ou menos fáceis de implementar, sempre que o objetivo seja melhorar a saúde do paciente individual e impactar significativamente o sistema de saúde.

Dr Arturo Cagide. Hospital Italiano Bs As