IA pode prever riscos de doenças ao analisar o histórico clínico de uma pessoa?

A inteligência artificial pode estar caminhando para uma nova etapa na medicina. Em vez de analisar apenas um exame ou uma doença específica, novos modelos são capazes de considerar diferentes informações acumuladas ao longo da vida de uma pessoa para tentar identificar padrões e antecipar possíveis riscos de saúde.

A proposta foi analisada pelo cardiologista Eric Topol e pelo pesquisador Faisal Mahmood, na seção "Digital medicine" da revista The Lancet. O texto avalia cinco modelos recentes de inteligência artificial e discute como eles poderiam ser usados na prevenção e no acompanhamento de doenças.

Topol divulgou o trabalho na rede social X e descreveu a ideia como "tokenizar o arco de saúde de um paciente". Os autores também afirmaram que analisaram "as implicações de cinco modelos de saúde grandes recentes de IA, que incluem predição e prevenção muitos anos a futuro".

Como funciona a chamada tokenização do paciente

A ideia consiste em transformar as informações presentes no histórico médico em unidades de dados que possam ser processadas pela inteligência artificial.

Entram nessa sequência diagnósticos, exames laboratoriais, anotações médicas, imagens, tratamentos, datas e até o intervalo de tempo entre diferentes acontecimentos.

Em vez de observar cada informação de maneira isolada, o sistema tenta reconstruir a trajetória de saúde ao longo dos anos. Dessa forma, pode identificar relações entre acontecimentos que, quando analisados separadamente, poderiam passar despercebidos.

Os autores, porém, fazem uma ressalva importante: o histórico médico não representa necessariamente toda a vida ou todas as condições de uma pessoa. Trata-se de um registro dos contatos que ela teve com o sistema de saúde, muitas vezes distribuído entre diferentes instituições e períodos.

Cinco modelos estão sendo analisados

O trabalho apresentado na revista The Lancet reúne cinco sistemas de inteligência artificial que adotaram estratégias semelhantes, mas trabalharam com diferentes tipos e volumes de informação.

Um deles é o Delphi-2M, desenvolvido para analisar a sequência de diagnósticos ao longo do tempo e estimar a probabilidade de mais de mil doenças. O modelo utilizou dados do Biobanco do Reino Unido e registros dinamarqueses envolvendo quase 2 milhões de pessoas.

Outro sistema é o Curiosity, que trabalhou em uma escala ainda maior, com mais de 100 bilhões de eventos médicos estruturados provenientes de mais de 100 milhões de pacientes.

O Apollo combinou informações de diferentes formatos. Além dos registros médicos estruturados, o modelo incorporou textos clínicos e imagens, utilizando dados acumulados durante três décadas de atendimento.

Já o ALADYNOUILLI acrescentou informações genéticas herdadas à análise. O sistema foi treinado com dados de três biobancos e mais de 683 mil pessoas, buscando identificar como determinados padrões de doenças podem mudar ao longo do tempo.

O quinto modelo, chamado AURORA, reuniu sete modalidades de dados de mais de 425 mil indivíduos. O objetivo foi estudar aspectos relacionados ao envelhecimento, à saúde metabólica e à resposta a intervenções médicas.

Apesar dos resultados, os cinco modelos não podem ser comparados diretamente, já que utilizam bancos de dados, períodos de previsão e critérios de avaliação diferentes.

Tecnologia pode ajudar a antecipar doenças

Um exemplo citado pelos pesquisadores é o Alzheimer. Uma ferramenta capaz de acompanhar a evolução do risco ao longo de décadas poderia oferecer uma informação diferente daquela obtida ao analisar apenas a condição de uma pessoa em determinado momento.

A tecnologia também poderia ser usada para encontrar pacientes com trajetórias médicas semelhantes. Exames, imagens, tratamentos e outros registros poderiam ser comparados para identificar padrões que ajudem médicos e pesquisadores.

Em escala populacional, esse tipo de ferramenta poderia contribuir para o diagnóstico de doenças raras, ajudar na escolha de participantes para ensaios clínicos e facilitar estudos que acompanhem grandes grupos de pacientes ao longo do tempo.

Modelos ainda precisam ser testados antes de chegar aos consultórios

Um dos principais limites apontados no artigo é que os modelos podem identificar associações e estimar riscos, mas isso não significa que uma intervenção baseada nessa previsão necessariamente irá melhorar a saúde da pessoa.

Por esse motivo, os autores defendem a realização de estudos prospectivos capazes de avaliar se as previsões realmente ajudam a mudar decisões médicas e melhorar resultados.

Outro problema está nos próprios registros utilizados para treinar os sistemas. Históricos médicos podem ser incompletos e sofrer influência de fatores como acesso aos serviços de saúde, frequência das consultas e maneira como as informações são registradas.

Assim, a ausência de determinado dado não significa necessariamente que uma pessoa esteja saudável.