Watson não mordeu o médico, e muito bem

Embora, como em muitos outros campos, o entusiasmo para substituir médicos por IA tenha diminuído um pouco após uma série de falhas de diagnóstico, o trabalho no desenvolvimento da medicina baseada em IA ainda está em andamento. Porque, no entanto, ainda oferecem grandes oportunidades e uma chance de melhorar a eficiência das operações em muitas de suas áreas.

A IBM foi anunciada em 2015 e, em 2016, obteve acesso a dados de quatro grandes empresas de dados de pacientes (1). O mais famoso, graças a inúmeras reportagens na mídia, e ao mesmo tempo o projeto mais ambicioso usando inteligência artificial avançada da IBM estava relacionado à oncologia. Os cientistas tentaram usar os vastos recursos de dados para processá-los, a fim de transformá-los em terapias anticâncer bem adaptadas. O objetivo de longo prazo era fazer com que Watson apitasse testes clínicos e resultados como um médico faria.

1. Uma das visualizações do sistema médico Watson Health

No entanto, descobriu-se que Watson não pode se referir independentemente à literatura médica e também não pode extrair informações de prontuários eletrônicos de pacientes. No entanto, a acusação mais grave contra ele foi que incapacidade de comparar efetivamente um novo paciente com outros pacientes com câncer mais velhos e detectar sintomas que são invisíveis à primeira vista.

Havia, é certo, alguns oncologistas que afirmavam ter confiança em seu julgamento, embora principalmente em termos das sugestões de Watson para tratamentos padrão, ou como uma opinião médica adicional. Muitos apontaram que este sistema será um grande bibliotecário automatizado para os médicos.

Como resultado de avaliações não muito lisonjeiras da IBM problemas com a venda do sistema Watson em instituições médicas dos EUA. Os representantes de vendas da IBM conseguiram vendê-lo para alguns hospitais na Índia, Coréia do Sul, Tailândia e outros países. Na Índia, médicos () avaliaram as recomendações de Watson para 638 casos de câncer de mama. A taxa de adesão às recomendações de tratamento é de 73%. Pior Watson desistiu no Gachon Medical Center, na Coreia do Sul, onde suas melhores recomendações para 656 pacientes com câncer colorretal correspondiam às recomendações de especialistas em apenas 49% das vezes. Os médicos avaliaram que Watson não se deu bem com pacientes mais velhosao não lhes oferecer certos medicamentos padrão, e cometeu o erro crítico de realizar uma vigilância agressiva do tratamento para alguns pacientes com doença metastática.

Em última análise, embora seu trabalho como diagnosticador e médico seja considerado malsucedido, há áreas em que ele se mostrou extremamente útil. produtos Watson para genômica, que foi desenvolvido em colaboração com a Universidade da Carolina do Norte, a Universidade de Yale e outras instituições, é usado laboratórios genéticos para elaboração de laudos para oncologistas. Arquivo de lista de downloads do Watson mutações genéticas em um paciente e pode gerar um relatório em minutos que inclui sugestões para todos os medicamentos e ensaios clínicos importantes. Watson lida com informações genéticas com relativa facilidadepois são apresentados em arquivos estruturados e não contém ambiguidades - ou há mutação ou não há mutação.

Parceiros da IBM na Universidade da Carolina do Norte publicaram um artigo sobre eficiência em 2017. Watson encontrou mutações potencialmente importantes que não haviam sido identificadas por estudos em humanos em 32% deles. pacientes estudados, tornando-os bons candidatos para a nova droga. No entanto, ainda não há evidências de que o uso leve a melhores resultados de tratamento.

Domesticação de proteínas

Este e muitos outros exemplos contribuem para a crescente crença de que todas as deficiências nos cuidados de saúde estão sendo abordadas, mas precisamos procurar áreas onde isso pode realmente ajudar, porque as pessoas não estão indo muito bem lá. Esse campo é, por exemplo, pesquisa de proteínas. No ano passado, surgiram informações de que poderia prever com precisão a forma das proteínas com base em sua sequência (2). Esta é uma tarefa tradicional, além do poder não apenas das pessoas, mas até mesmo de computadores poderosos. Se dominarmos a modelagem precisa da torção das moléculas de proteína, haverá enormes oportunidades para a terapia genética. Os cientistas esperam que, com a ajuda do AlphaFold, estudemos as funções de milhares, e isso, por sua vez, nos permitirá entender as causas de muitas doenças.

Figura 2. Torção de proteína modelada com AlphaFold da DeepMind.

Agora conhecemos duzentos milhões de proteínas, mas entendemos completamente a estrutura e a função de uma pequena parte deles. proteínas é o bloco de construção básico dos organismos vivos. Eles são responsáveis ​​pela maioria dos processos que ocorrem nas células. Como eles funcionam e o que eles fazem é determinado por sua estrutura 50D. Eles assumem a forma apropriada sem nenhuma instrução, guiados pelas leis da física. Por décadas, os métodos experimentais têm sido o principal método para determinar a forma das proteínas. Na década de XNUMX, o uso Métodos cristalográficos de raios-X. Na última década, tornou-se a ferramenta de pesquisa de escolha. microscopia de cristal. Nos anos 80 e 90, começou o trabalho de usar computadores para determinar a forma das proteínas. No entanto, os resultados ainda não satisfizeram os cientistas. Métodos que funcionaram para algumas proteínas não funcionaram para outras.

Já em 2018 AlfaFold recebeu o reconhecimento de especialistas em modelagem de proteínas. No entanto, na época usava métodos muito semelhantes a outros programas. Os cientistas mudaram de tática e criaram outra, que também usava informações sobre as restrições físicas e geométricas no dobramento de moléculas de proteínas. AlfaFold deu resultados desiguais. Às vezes ele se saía melhor, às vezes pior. Mas quase dois terços de suas previsões coincidiram com os resultados obtidos por métodos experimentais. No início do ano 2, o algoritmo descreveu a estrutura de várias proteínas do vírus SARS-CoV-3. Posteriormente, verificou-se que as previsões para a proteína Orf2020a são consistentes com os resultados obtidos experimentalmente.

Não se trata apenas de estudar as formas internas de dobrar proteínas, mas também de design. Pesquisadores da iniciativa NIH BRAIN usaram aprendizado de máquina desenvolver uma proteína que pode rastrear os níveis de serotonina no cérebro em tempo real. A serotonina é um neuroquímico que desempenha um papel fundamental na forma como o cérebro controla nossos pensamentos e sentimentos. Por exemplo, muitos antidepressivos são projetados para alterar os sinais de serotonina que são transmitidos entre os neurônios. Em um artigo na revista Cell, os cientistas descreveram como eles usam métodos de engenharia genética transformar uma proteína bacteriana em uma nova ferramenta de pesquisa que pode ajudar a rastrear a transmissão da serotonina com maior precisão do que os métodos atuais. Experimentos pré-clínicos, principalmente em camundongos, mostraram que o sensor pode detectar instantaneamente mudanças sutis nos níveis de serotonina no cérebro durante o sono, medo e interações sociais, e testar a eficácia de novas drogas psicoativas.

A luta contra a pandemia nem sempre foi bem sucedida

Afinal, essa foi a primeira epidemia sobre a qual escrevemos no MT. No entanto, por exemplo, se falarmos sobre o próprio processo de desenvolvimento da pandemia, no estágio inicial, a IA parecia ser um fracasso. Os estudiosos reclamaram que inteligência artificial não pode prever corretamente a extensão da disseminação do coronavírus com base em dados de epidemias anteriores. “Essas soluções funcionam bem em algumas áreas, como no reconhecimento de rostos com certo número de olhos e ouvidos. Epidemia de SARS-CoV-2 Estes são eventos anteriormente desconhecidos e muitas novas variáveis, então a inteligência artificial baseada nos dados históricos que foram usados ​​para treiná-la não funciona bem. A pandemia mostrou que precisamos procurar outras tecnologias e abordagens”, disse Maxim Fedorov, da Skoltech, em abril de 2020, em comunicado à mídia russa.

Com o tempo foram no entanto algoritmos que parecem provar a grande utilidade da IA ​​no combate ao COVID-19. Cientistas nos EUA desenvolveram um sistema no outono de 2020 para reconhecer padrões característicos de tosse em pessoas com COVID-19, mesmo que não apresentassem outros sintomas.

Quando surgiram as vacinas, nasceu a ideia de ajudar a vacinar a população. Ela poderia, por exemplo, ajudar a modelar o transporte e a logística de vacinas. Também na determinação de quais populações devem ser vacinadas primeiro para lidar com a pandemia mais rapidamente. Também ajudaria a prever a demanda e otimizar o tempo e a velocidade da vacinação, identificando rapidamente problemas e gargalos na logística. A combinação de algoritmos com monitoramento constante também pode fornecer informações rapidamente sobre possíveis efeitos colaterais e eventos de saúde.

estes sistemas usando IA em otimizar e melhorar os cuidados de saúde já são conhecidos. Suas vantagens práticas foram apreciadas; por exemplo, o sistema de saúde desenvolvido pela Macro-Eyes na Universidade de Stanford, nos EUA. Como acontece com muitas outras instituições médicas, o problema era a falta de pacientes que não compareciam às consultas. Olhos Macro construiu um sistema que poderia prever com segurança quais pacientes provavelmente não estariam lá. Em algumas situações, ele também poderia sugerir horários e locais alternativos para as clínicas, o que aumentaria as chances de um paciente comparecer. Mais tarde, tecnologia semelhante foi aplicada em vários lugares, do Arkansas à Nigéria, com apoio, em particular, da Agência dos EUA para o Desenvolvimento Internacional i.

Na Tanzânia, a Macro-Eyes trabalhou em um projeto destinado a aumento das taxas de imunização infantil. O software analisava quantas doses de vacinas precisavam ser enviadas para um determinado centro de vacinação. Ele também foi capaz de avaliar quais famílias podem estar relutantes em vacinar seus filhos, mas elas podem ser persuadidas com argumentos apropriados e a localização de um centro de vacinação em um local conveniente. Usando este software, o governo da Tanzânia conseguiu aumentar a eficácia de seu programa de imunização em 96%. e reduzir o desperdício de vacinas para 2,42 por 100 pessoas.

Em Serra Leoa, onde faltavam dados de saúde dos moradores, a empresa tentou combiná-los com informações sobre educação. Descobriu-se que apenas o número de professores e seus alunos era suficiente para prever 70%. a precisão de se a clínica local tem acesso a água potável, que já é uma pegada de dados sobre a saúde das pessoas que vivem lá (3).

3. Ilustração Macro-Eyes de programas de saúde orientados por IA na África.

O mito do médico da máquina não desaparece

Apesar das falhas Watson novas abordagens diagnósticas ainda estão sendo desenvolvidas e são consideradas cada vez mais avançadas. Comparação feita na Suécia em setembro de 2020. utilizado no diagnóstico por imagem do câncer de mama mostrou que o melhor deles funciona da mesma forma que um radiologista. Os algoritmos foram testados usando quase nove mil imagens de mamografia obtidas durante a triagem de rotina. Três sistemas, designados como AI-1, AI-2 e AI-3, alcançaram uma precisão de 81,9%, 67%. e 67,4%. Para efeito de comparação, para os radiologistas que interpretam essas imagens como as primeiras, esse número foi de 77,4%, e no caso de radiologistasquem foi o segundo a descrevê-lo, foi de 80,1%. O melhor dos algoritmos também foi capaz de detectar casos que os radiologistas perderam durante a triagem, e as mulheres foram diagnosticadas como doentes em menos de um ano.

Segundo os pesquisadores, esses resultados comprovam que algoritmos de inteligência artificial ajudar a corrigir diagnósticos falso-negativos feitos por radiologistas. A combinação dos recursos do AI-1 com um radiologista médio aumentou o número de cânceres de mama detectados em 8%. A equipe do Royal Institute que conduz este estudo espera que a qualidade dos algoritmos de IA continue a crescer. Uma descrição completa do experimento foi publicada no JAMA Oncology.

W em uma escala de cinco pontos. Atualmente, assistimos a uma significativa aceleração tecnológica e alcançamos o nível IV (alta automação), quando o sistema processa de forma independente e automática os dados recebidos e fornece ao especialista informações pré-analisadas. Isso economiza tempo, evita erros humanos e proporciona um atendimento mais eficiente ao paciente. Isso é o que ele julgou alguns meses atrás Stan A. I. no campo da medicina próximo a ele, prof. Janusz Braziewicz da Sociedade Polaca de Medicina Nuclear em comunicado à Agência Polaca de Imprensa.

4. Visualização por máquina de imagens médicas

Algoritmos, de acordo com especialistas como prof. Brazievichmesmo indispensável nesta indústria. O motivo é o rápido aumento do número de exames de diagnóstico por imagem. Apenas para o período 2000-2010. o número de exames e exames de ressonância magnética aumentou dez vezes. Infelizmente, o número de médicos especialistas disponíveis que poderiam realizá-los de forma rápida e confiável não aumentou. Também faltam técnicos qualificados. A implementação de algoritmos baseados em IA economiza tempo e permite total padronização dos procedimentos, além de evitar erros humanos e tratamentos mais eficientes e personalizados para os pacientes.

Como se viu, também Medicina forense pode se beneficiar desenvolvimento de inteligência artificial. Especialistas neste campo podem determinar a hora exata da morte do falecido por análise química das secreções de vermes e outras criaturas que se alimentam de tecidos mortos. Um problema surge quando misturas de secreções de diferentes tipos de necrófagos são incluídas na análise. É aqui que o aprendizado de máquina entra em ação. Cientistas da Universidade de Albany desenvolveram um método de inteligência artificial que permite a identificação mais rápida de espécies de vermes com base em suas "impressões digitais químicas". A equipe treinou seu programa de computador usando misturas de várias combinações de secreções químicas de seis espécies de moscas. Ele decifrou as assinaturas químicas de larvas de insetos usando espectrometria de massa, que identifica produtos químicos medindo com precisão a razão entre massa e carga elétrica de um íon.

Então, como você pode ver, no entanto IA como detetive investigativo não muito bom, pode ser muito útil em um laboratório forense. Talvez esperássemos muito dela neste estágio, antecipando algoritmos que deixariam os médicos sem trabalho (5). Quando olhamos inteligência artificial mais realisticamente, concentrando-se em benefícios práticos específicos em vez dos gerais, sua carreira na medicina parece muito promissora novamente.

5. Visão do carro do médico