A inteligência artificial (IA) faz parte de uma verdadeira transformação digital na medicina, evoluindo atividades como o diagnóstico laboratorial e clínico. Com o poder de identificar doenças com mais facilidade, o machine learning é uma das ferramentas de suporte nos serviços prestados por laboratórios e hospitais.

Trata-se de uma sistema que aprende continuamente a partir da coleta de dados, cruzando informações para gerar insights. A partir desse material, as instituições conseguem ter mais assertividade para entregar relatórios sobre o estado do paciente.

Enquanto a inteligência artificial tem potencial para beneficiar diversas áreas do conhecimento, o papel na medicina é enriquecedor, porque pode salvar vidas. Confira a seguir como o machine learning pode ser aplicado no diagnóstico laboratorial e clínico.

As vantagens da inteligência artificial para o diagnóstico laboratorial e clínico

Um contexto comum nas instituições é a dificuldade de gerar o diagnóstico, porque um mesmo sintoma pode aparecer em várias doenças. A inteligência artificial, então, pode ajudar no diagnóstico ao separar as doenças que estão relacionadas aos sintomas, dando mais tangibilidade ao resultado.

Com um banco de dados mais completo para correlacionar as informações, os algoritmos têm mais facilidade para identificar o quadro do paciente. A partir dos dados gerados por eles, o laboratório consegue entregar relatórios mais confiáveis e precisos.

A velocidade no processo também mostra a relevância da ferramenta. O machine learning consegue fazer a análise mais rapidamente, poupando os esforços da equipe e acelerando o atendimento. Isso leva a uma ação rápida em casos críticos de emergência, contribuindo no combate de doenças graves.

A entrega do diagnóstico laboratorial e clínico em prazos mais curtos se torna uma vantagem competitiva para os laboratórios e hospitais. Eles mostram serviços de maior qualidade e confiança, aumentando a satisfação dos usuários.

O Fleury é um exemplo nesse sentido. Ao implantar um sistema de inteligência artificial, os médicos aumentaram a produção. Um exame de raio-X que levava entre 2 a 4 horas, agora é feito em apenas 18 minutos.

E mais um benefício da inteligência artificial é a redução de custos para a gestão. O médico é um dos recursos mais caros de um hospital, mas a AI ajuda a compensar esse investimento dando mais produtividade ao profissional. Com a realização de mais exames, a margem de lucro da instituição aumenta. Além disso, dispensa-se a necessidade de repetição de exames em vários casos.

Os desafios para a implementação de inteligência artificial

Se as vantagens da inteligência artificial para o diagnóstico laboratorial e clínico são tão importantes, por que muitas instituições ainda não fazem uso dela? A resposta pode estar nos desafios de implementação.

Um primeiro ponto é que a equipe de gestão precisa estar disposta a adotar tecnologias no hospital. O problema é que o setor da saúde ainda é muito resistente à implantação de novos sistemas e precisa entender o valor de ferramentas modernas.

Sem um ambiente propício, fica complicado aplicar ferramentas como o machine learning. Por isso, a criação de algoritmos para fazer as análises por machine learning acaba se tornando outro desafio. Vale ressaltar que, quanto maior for o conhecimento do algoritmo, mais eficientes serão as análises.

Ele deve ser treinado com dados positivos e negativos para ter parâmetros no cruzamento de dados. Quanto mais ele souber fazer a correlação, melhor será a atuação na definição do quadro de saúde.

Por isso, não basta ter a ferramenta, mas saber como alimentá-la adequadamente para gerar os diagnósticos. Muitas instituições têm dificuldade em como tornar o sistema robusto e o mais completo possível para realizar essa tarefa.

Há também os desafios financeiros. Tecnologias com inteligência artificial têm um custo elevado que dificulta a implantação em hospitais e laboratórios com poucos recursos, bem como os que ficam em comunidades distantes.

A telemedicina é uma tendência que busca resolver esse contexto, ligando essas instituições com outras mais avançadas. Mas ainda fica o desafio de entender e buscar maneiras de tornar esses centros mais desenvolvidos.

Casos práticos de machine learning na análise laboratorial

Alguns modelos de machine learning se tornam referência entre as instituições de saúde. Com um banco de dados robusto, muitos gestores buscam esses sistemas como ferramentas para o diagnóstico laboratorial.

É o caso do Watson, por exemplo. O supercomputador da IBM é treinado para processar uma grande quantidade de dados na base, como artigos científicos, prontuários eletrônicos de pacientes, imagens, resultados de pesquisas etc.

Com isso, o sistema ajuda a encontrar respostas para os casos mais difíceis, ganhando tempo para agir no combate às doenças. Os médicos inserem as características e sintomas do paciente no sistema e o Watson cruza os dados da base para apontar a doença que corresponde ao quadro, em um relatório detalhado.

Outro caso de uso é o algoritmo do Google que ajudar a identificar o câncer. O sistema escaneia os tecidos de biópsias para identificar células com comportamento anormal. Durante o desenvolvimento do sistema, os resultados apontaram assertividade de 89% nos resultados, superior à taxa dos médicos, que chegavam a 73%.

No Brasil, a Dasa — um dos maiores laboratórios do país e também parceira da RedFox— mantém um laboratório de pesquisa com um supercomputador para desenvolver algoritmos inteligentes.

Entre os trabalhos em andamento, a empresa se juntou ao CCDS de Harvard para criar algoritmos que usam ressonâncias magnéticas de cérebro e de próstata para identificar câncer. A ideia é que a IA aprenda a medir o tamanho da próstata para apontar irregularidades.

A implantação de sistemas como esses revelam vantagens aos laboratórios e hospitais, melhorando a qualidade do serviço entregue e o trabalho das equipes técnicas. Com um diagnóstico mais preciso, as instituições podem melhorar os processos e aumentar a relevância de mercado.

Para entender mais sobre o uso do machine learning no diagnóstico laboratorial, indicamos o terceiro episódio da nossa série RedTips. O vídeo relata o trabalho da especialista Suchi Saria no combate à sepse, a partir de uma ferramenta de aprendizado inteligente batizada de TREWS.