Compartilhar

Inteligência Artificial e Machine Learning em Cardiologia - Uma Mudança de Paradigma

Inteligência Artificial e Machine Learning em Cardiologia - Uma Mudança de Paradigma

Autores:

Claudio Tinoco Mesquita

ARTIGO ORIGINAL

International Journal of Cardiovascular Sciences

versão impressa ISSN 2359-4802versão On-line ISSN 2359-5647

Int. J. Cardiovasc. Sci. vol.30 no.3 Rio de Janeiro maio/jun. 2017

http://dx.doi.org/10.5935/2359-4802.20170027

A robot may not injure a human being or, through inaction,allow a human being to come to harm.

First Law of Robotics - Isaac Asimov

Vivenciamos uma mudança de paradigma na vida moderna. Com a presença de computadores e máquinas inteligentes em todos os lugares, as predições dos livros de ficção científica de anos atrás passam gradativamente a se tornar realidade; são os tempos da computação úbíqua. Entre as ferramentas computacionais mais frequentemente mencionadas em estudos clínicos e vistas com entusiasmo por parte da comunidade científica se destacam a Inteligência Artificial e o consequente aprendizado das máquinas, que é melhor citado na sua forma original em inglês, o Machine Learning. De modo geral a Inteligência Artificial é definida como a constelação de itens (algoritmos, robótica, redes neuronais) que permitem que um software tenha propriedades de inteligência que se comparam às de um ser humano, entre elas o aprendizado com mínima interferência humana a partir de bancos de dados.1

Recentemente Obermeyer e Emanuel escreveram um editorial afirmando que o Machine Learning tornou-se disseminado e indispensável para a resolução de problemas complexos nos diversos campos da ciência, sendo que na área médica sua utilização irá transformar a prática.2 A utilização de inteligência artificial está evoluindo de modo crescente na cardiologia e já há excelentes exemplos em diversas áreas. Utilizando um sistema sofisticado de aprendizado para interpretação eletrocardiográfica Li e colaboradores3 conseguiram que padrões eletrocardiográficos fossem reconhecidos automaticamente com acurácia de 88% para classificação dos ritmos anormais. Uma das limitações mais importantes do sistema estudado foi a qualidade do sinal eletrocardiográfico para interpretação e aprendizado, o que ressalta uma das características essenciais do Machine Learning, que é a necessidade de informações acuradas e reprodutíveis para formação de bancos de dados.2,3 Como os bancos de dados são, geralmente produzidos a partir de pacientes selecionados por sua condição de base, um dos mais importantes pontos para o desenvolvimento é a criação de bases de dados mais amplas e generalizáveis, que não induzam vieses na interpretação dos achados, ponto em que a indústria está investindo intensamente no momento.2

Na ecocardiografia muitos estudos estão avaliando o uso do Machine Learning na interpretação de imagens, como o de Narula et al.4 que através de um banco de dados de pacientes com miocardiopatia hipertrófica e de indivíduos com hipertrofia fisiológica que foram submetidos a Speckle Tracking, conseguiram criar um sistema computacional baseado em Machine Learnig que foi capaz de assistir ecocardiografistas pouco experientes na distinção entre as duas condições com excelente acurácia. Tajik,5 em um entusiasmado editorial, assinalou que o Machine Learning deverá reduzir ou mesmo eliminar a variabilidade intra e interobservador dos exames ecocardiográficos e reduzir acentuadamente os erros cognitivos. Neste ponto o uso da inteligência artificial depara-se com a ética médica, pois as dúvidas que podem ocorrer em casos de erros poderão estar ligadas à atribuição de responsabilidades: errou o médico ou errou o software? As experiências com o uso de pilotos automáticos na aviação poderão servir de base para a discussão ética que ocorrerá, tendo em vista que sempre há pelo menos um ser humano responsável pelo voo mesmo com uso dos modernos dispositivos da aviação comercial. Neste ponto, Obermeyer e Emanuel2 chamam a atenção para o fato de que haverá uma redução maciça da necessidade de médicos em situações em que os computadores poderão ser alimentados diretamente por informações digitais como na radiologia e na patologia, pois a grande quantidade de informações digitais disponíveis permitirá a formação de bancos de dados confiáveis que levarão a uma performance das máquinas superior à humana.

Quando a inteligência artificial é empregada em contextos clínicos mais complexos ainda há um caminho mais longo a ser percorrido. Austin et al.6 utilizaram um sistema de Machine-Learning e de mineração de dados para avaliar e classificar pacientes com insuficiência cardíaca e encontraram que apesar do sistema ser superior aos métodos convencionais para predição de insuficiência cardíaca com fração de ejeção preservada, não houve vantagens em relação à tradicional regressão logística. Liu et al.7 desenvolveram um sistema de predição de eventos adversos coronarianos em pacientes com dor torácica na sala de emergência baseado em Machine Learning e o compararam com o TIMI escore. Embora a performance do novo sistema seja confiável para predição de mortalidade e de eventos cardíacos em 30 dias, os próprios autores reconhecem que as decisões clínicas são dependentes de fatores que ainda não podem ser completamente incorporados às máquinas, sendo um deles a experiência dos médicos.7

Em cardiologia nuclear Arsanjani et al.8 avaliaram o uso da ferramenta de Machine Learning para predição de revascularização miocárdica a partir de dados da cintilografia de perfusão miocárdica, encontrando uma acurácica comparável ou mesmo superior à de examinadores experientes na interpretação do exame cintilográfico. Garcia et al.,9 em excelente revisão sobre o tema apontam que os sistemas de suporte à decisão clínica e de inteligência artificial servem como alertas para os vieses cognitivos dos clínicos e reduzem a variabilidade intra e interobservador, permitindo interpretar os exames mais rapidamente e com maior acurácia, como observado em estudos em que a interpretação diagnóstica do exame pelo computador é similar à dos experts.10 De um modo geral concordamos com esta visão e consideramos que o amparo à tomada de decisão clínica e melhoria da performance diagnóstica e prognóstica devem ser encorajados e suportados pelos médicos das diversas especialidades. A preocupação frequente com a eventual substituição definitiva do médico pelas máquinas não é consubstanciada pelos fatos. A profissão médica é de uma complexidade e subjetividade que tornam a tarefa impossível de ser realizada na sua totalidade pelas máquinas, pelo menos no estágio atual do conhecimento. A utilização adequada da computação permite não só a melhoria da performance médica mas também a busca da solidariedade entre pacientes, com experiências bem sucedidas na criação de redes sociais para pacientes.11

Apenas o estudo do impacto aprofundado para desenvolvimento e utilização destas ferramentas poderá trazer as respostas para as perguntas que hoje estão nas mentes dos médicos e dos seus pacientes. O International Journal of Cardiovascular Sciences estimula seus leitores e contribuintes a enviar comunicações científicas sobre o tema para publicação

REFERÊNCIAS

1 Forsting M. Hot Topics: Will Machine Learning Change Medicine? J Nucl Med. 2017;58(3):357-8.
2 Obermeyer Z . Emanuel EJ. Predicting the future: big data, machine learning, and clinical medicine. N Engl J Med. 2016;375(13):1216-9.
3 Li Q, Rajagopalan C, Clifford GD. A machine learning approach to multi-level ECG signal quality classification. Comput Methods Programs Biomed . 2014;117(3):435-47.
4 Narula S, Shameer K, Salem Omar AM, Dudley JT, Sengupta PP. Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography. J Am Coll Cardiol. 2016;68(21):2287-95.
5 Tajik AJ. Machine Learning for Echocardiographic Imaging: Embarking on Another Incredible Journey. J Am Coll Cardiol.2016;68(21):2296-8.
6 Austin PC, Tu J V, Ho JE, Levy D, Lee DS. Using methods from the data-mining and machine-learning literature for disease classification and prediction: a case study examining classification of heart failure subtypes. J Clin Epidemiol. 2013;66(4):398-407.
7 Liu N, Lee MAB, Ho AFW, Haaland B, Fook-Chong S, Koh ZX, et al. Risk stratification for prediction of adverse coronary events in emergency department chest pain patients with a machine learning score compared with the TIMI score. Int J Cardiol . 2014;177(3):1095-7.
8 Arsanjani R, Dey D, Khachatryan T, Shalev A, Hayes SW, Fish M, et al. Prediction of revascularization after myocardial perfusion SPECT by machine learning in a large population. J Nucl Cardiol. 2014;22(5):877-84.
9 Garcia E V, Klein JL, Taylor AT. Clinical decision support systems in myocardial perfusion imaging. J Nucl Cardiol. 2014;21(3):427-39.
10 Arsanjani R, Xu Y, Dey D, Vahistha V, Shalev A, Nakanishi R, et al. Improved accuracy of myocardial perfusion SPECT for detection of coronary artery disease by machine learning in a large population. J Nucl Cardiol. 2013;20(4):553-62.
11 Medina EL, Mesquita CT, Loques Filho O. Healthcare social networks for patients with cardiovascular diseases and recommendation systems. Int J Cardiovasc Sci. 2016;29(1):80-5.