Enfrentar esses desafios é imprescindível para que a IA desempenhe um papel efetivo no avanço do cuidado à saúde
Na incessante busca por avanços no campo da inteligência artificial em saúde, enfrentar seus desafios tornar-se prioridade. A busca por algoritmos eficazes e éticos demanda uma atenção meticulosa em relação à qualidade, diversidade dos dados, integração à infraestrutura de saúde e interpretação dos resultados.
Há vários pontos que precisam ser avaliados, conforme salienta Regis Otaviano França Bezerra, radiologista do Hospital Sírio-Libanês – associada Abramed – e do Instituto do Câncer do Estado de São Paulo (ICESP), doutor em Ciências pela Faculdade de Medicina da Universidade de São Paulo (FMUSP).
Um deles envolve a qualidade e a quantidade de dados. “Para um algoritmo ser efetivo, é preciso ter um extenso conjunto de dados diversificados. A qualidade desses dados é primordial, ou seja, eles precisam ter sido bem anotados e representar diversas populações. Um algoritmo limitado a uma única região ou população não pode ser extrapolado com sucesso para outros contextos”, explica.
Um segundo desafio é a integração desses dados à infraestrutura de saúde, pois isso é fundamental para sua aplicação abrangente. Não basta ter dados somente em uma instituição ou hospital, pois ele não poderá ser utilizado de maneira geral.
E aí também entra um tópico importante: a necessidade de estabelecer padrões e protocolos de interoperabilidade. A interoperabilidade é fundamental para superar barreiras entre sistemas de saúde diversos, permitindo a troca eficiente e segura de informações entre plataformas distintas. Isso não apenas facilita a implementação de algoritmos de IA, mas também promove uma abordagem mais unificada na prestação de cuidados de saúde.
Em termos de obstáculos, Regis também cita as questões éticas e regulatórias, como a divulgação de dados, a transparência, a equidade, a responsabilidade e a conformidade com as leis e regulamentações locais e internacionais. “O consentimento e o uso responsável de dados médicos sensíveis são aspectos críticos. Essa discussão continua em evolução e precisa ser trabalhada de maneira muito cuidadosa, devido à sua grande importância.”
Outros pontos desafiadores são a validação e a padronização de dados. Segundo Regis, antes de uma implementação generalizada, é necessário validar a eficácia clínica e a confiabilidade dos modelos de inteligência artificial. Este processo é complexo e dispendioso, exigindo uma abordagem meticulosa.
Nesse contexto, também há a generalização entre populações. Modelos treinados em uma população específica nem sempre representam outros grupos. Por exemplo, com relação ao câncer de próstata, sabe-se que afrodescendentes têm, em geral, tumores mais agressivos, por isso, qualquer modelo de inteligência artificial deve contemplar esse grupo de pessoas para que seja completo, principalmente em populações como a brasileira, cuja diversidade é muito grande.
Mais um ponto de atenção está na interpretação de modelos de inteligência artificial, frequentemente considerados “caixas-pretas”. Compreender e interpretar os resultados é fundamental para garantir a transparência, a responsabilização e a confiança nas suas aplicações.
Por fim, Regis cita que a implementação da inteligência artificial implica em um investimento significativo em tecnologia, energia, treinamento e infraestrutura. Esse custo elevado representa um obstáculo, especialmente em países como o Brasil, que já enfrentam limitações de recursos, especialmente ao lidar com doenças com grande taxa de prevalência.
Ter ciência desses pontos e buscar superá-los é essencial para que a inteligência artificial possa ser aplicada de forma eficaz no cuidado à saúde, contribuindo para o desenvolvimento sustentável do setor de saúde. E, portanto, a Abramed acredita que todo o ecossistema deve agir de forma integrada para alcançar esse objetivo.
