A inteligência artificial (IA) e o aprendizado de máquina (ML) se tornaram um componente essencial em quase todos os setores. A capacidade de modelar e resolver problemas usando a tecnologia, em vez do arcaico processo de tentativa e erro, provou ser extremamente valiosa além do espaço tecnológico. No setor de saúde, a IA e o aprendizado de máquina vêm sendo cada vez mais integrados ao atendimento ao paciente em todas as especialidades. Recentemente, pesquisadores de IA e ML no tratamento do câncer atraíram a atenção de oncologistas, pacientes e pesquisadores de câncer.
A inteligência artificial refere-se a vários recursos tecnológicos, incluindo programas de computador, algoritmos, ML e muito mais. Esses recursos técnicos podem imitar, analisar e tomar decisões com base em dados que um médico, provedor ou outros cientistas tradicionalmente avaliariam manualmente.
As aplicações da IA são vastas, infiltrando-se em quase todos os campos, incluindo a saúde. AI e ML têm desempenhado um papel crítico em quase todos os setores da saúde, desde a radiologia até o desenvolvimento de medicamentos. Uma das mais notáveis na área da saúde é a descoberta e o desenvolvimento de medicamentos. O processo de descoberta, pesquisa e desenvolvimento de medicamentos tornou-se cada vez mais caro e competitivo ao longo do tempo. Em entrevista à PharmaNewsIntelligence, Kevin Dondarski, sócio da Deloitte Consulting Life Science Strategy Analytics Practice, revelou que são necessários cerca de US$ 2,3 bilhões para descobrir e trazer um ativo farmacêutico ao mercado.
Além do financiamento necessário para a descoberta e pesquisa pré-clínica, os orçamentos dos ensaios clínicos também devem contabilizar taxas administrativas, tempo, locais, coleta e análise de dados, recrutamento de pacientes, custo do tratamento, acompanhamento ou monitoramento e pessoal. Com tantas considerações e uma probabilidade de falha estatisticamente alta, o preço da inovação farmacêutica aumentou.
De acordo com um artigo da Drug Discovery Today, a IA acelerou o ciclo de vida farmacêutico, com aplicações na descoberta de medicamentos, desenvolvimento e gerenciamento de produtos farmacêuticos, fabricação farmacêutica, projeto e monitoramento de ensaios clínicos e garantia de qualidade.
Em todo o espaço da oncologia, os médicos exploraram o uso de IA, ML e outras formas de aprendizado profundo para diagnóstico preditivo, tratamento e monitoramento de pacientes. “Há exploração e aplicação de todas as formas de IA nos processos de tratamento do câncer, desde operações, finanças e clínica”, disse Susan Hoang, vice-presidente de inteligência e análise oncológica da McKesson, à PharmaNewsIntelligence.
A utilidade da IA na área da saúde e sua capacidade de melhorar os resultados dos pacientes e do sistema de saúde como um todo levou à rápida integração da IA nesse setor. “Embora a tração da IA na área da saúde esteja atrás de outras indústrias, como empresas de consumo, devemos ver um aumento na aplicação da IA no processo de tratamento do câncer”, acrescentou Susan.
Diagnóstico e detecção de câncer
Uma das integrações mais rápidas da IA na oncologia é o diagnóstico e a detecção do câncer. Na prática clínica, o diagnóstico precoce e preciso do câncer é um dos mais importantes indicadores de sobrevida. Com uma abordagem de aprendizado profundo, os pesquisadores podem usar big data para treinar tecnologia para detecção de câncer.
A imagem é uma ferramenta crítica na detecção e diagnóstico do câncer. Normalmente, os radiologistas avaliam manualmente as imagens, procurando por células cancerígenas, tumores, lesões e outros indicadores de vários tipos de câncer.
O uso de computadores ou IA para analisar imagens médicas ou componentes de imagens médicas é chamado de radiômica. De acordo com uma publicação na Future Science, imagens de câncer baseadas em IA podem incluir as seguintes categorias: classificação, detecção, segmentação, caracterização e monitoramento.
Os métodos de AI e ML podem aprimorar esses componentes de imagem, permitindo a detecção rápida de mutações e outros indicadores de câncer. Além dos aplicativos padrão para aprimorar as técnicas de imagem existentes, as abordagens de ML também podem ser usadas para desenvolver redes adversárias generativas (GANs), que podem gerar novas imagens com base em diferentes imagens existentes, aliviando a carga de diagnóstico de pacientes, provedores e sistema de saúde.
Detecção precoce e avaliações de risco
Além de diagnosticar pacientes quando há suspeita de câncer, a integração da IA em exames de rotina, como mamografias para câncer de mama e ressonâncias magnéticas ou ultrassonografias para câncer de próstata, pode facilitar o diagnóstico precoce.
Outro exemplo é a integração da tecnologia de IA aos exames de câncer colorretal, que melhorou a detecção de adenomas. Além disso, a IA foi implantada em tomografias computadorizadas para rastrear câncer de pulmão e outras complicações.
A tecnologia de IA também pode prever o risco de câncer com base na expressão gênica, minimizando a necessidade de procedimentos caros e demorados de sequenciamento de genes.
Apesar da utilidade da IA em radiologia e patologia, ainda existem preocupações sobre o diagnóstico excessivo, levando a um número excessivo de biópsias e aumentando a carga para pacientes e patologistas. Testes de validação são realizados antes de lançar a tecnologia AI para minimizar o risco de erro.
Os conjuntos de dados robustos gerados pela tecnologia de IA vão muito além das avaliações de risco de câncer, fornecendo informações sobre as melhores intervenções ou opções de tratamento. A IA pode aprimorar a oncologia de precisão, permitindo um tratamento mais personalizado, tomada de decisões clínicas e resultados benéficos para os pacientes.
Os provedores podem usar modelos de previsão baseados em aprendizado profundo ou algoritmos de ML para desenvolver sistemas de suporte à decisão, avaliar a probabilidade de sucesso de um tratamento específico e tomar decisões de tratamento mais informadas.
Além da tomada de decisões clínicas com base em dados populacionais, a IA pode melhorar a medicina de precisão no tratamento do câncer, analisando o genoma do câncer de um paciente, avaliando dados de perfil genético ou biomarcadores e revisando informações histológicas ou histopatológicas.
Por exemplo, a McKesson tem aproveitado o ML para melhorar o planejamento avançado de cuidados para pacientes com câncer. Em dezembro do ano passado, a empresa implementou o modelo de análise preditiva de risco de mortalidade McKesson Advance Care Planning Enrollment eXtended (Apex) para melhorar a consciência prognóstica na população sob cuidados oncológicos (COM) e o momento do início dos cuidados de fim de vida.
“Adotamos uma abordagem de design thinking ao criar esta solução, considerando como a equipe de atendimento trabalha e interage com os pacientes. Isso é importante, pois a maioria dos projetos de IA ou ML geralmente falham no campo porque a maioria dos modelos não leva em conta a complexidade e a variabilidade do tratamento do câncer”, disse Susan. “Também projetamos essa ferramenta em parceria com os médicos. Acho que a chave é construir confiança e fomos capazes de fazer isso”, acrescentou.
Pesquisa sobre o câncer
Além das ferramentas de diagnóstico e tratamento existentes, a pesquisa em oncologia se concentrou extensivamente nas integrações de IA e ML. Recentemente, os pesquisadores usaram ferramentas AI/ML para avaliar a eficácia das abordagens de imunoterapia.
Embora a avaliação de dados de risco e tratamento seja um componente vital de AI/ML em oncologia, a inscrição em ensaios clínicos é uma área ainda maior para a integração de AI/ML.
Considerando a importância dos ensaios clínicos no desenvolvimento de medicamentos e avanços médicos, o recrutamento e a diversidade de pacientes são vitais para a pesquisa em oncologia. No entanto, barreiras financeiras, questões logísticas, falta de recursos e incapacidade de apoiar a inscrição e retenção podem dificultar a participação em ensaios clínicos.
Apenas 3% dos pacientes com câncer estão inscritos em ensaios clínicos. Além disso, 20% dos ensaios clínicos relacionados ao câncer falham devido à inscrição insuficiente de pacientes. O baixo acúmulo de testes impede o acesso do paciente a novos tratamentos e limita as aplicações à população em geral.
A AI/ML está posicionada de forma única para interromper a abordagem atual dos ensaios clínicos, com aplicações que vão desde o recrutamento de pacientes até o monitoramento da adesão, coleta e análise de dados. Por exemplo, a transformação digital habilitada por IA pode melhorar a seleção de pacientes e aumentar a eficácia dos ensaios clínicos por meio da mineração, análise e interpretação de várias fontes de dados.
Assim como seus impactos em outros setores, AI/ML pode aliviar a carga sobre os trabalhadores do setor. Exacerbado pela pandemia de Covid-19, as taxas de esgotamento clínico continuaram a aumentar nos Estados Unidos. Como resultado, o atendimento ao paciente, incluindo o atendimento ao paciente com câncer, pode ser comprometido.
A IA pode desempenhar um papel crítico na simplificação do fluxo de trabalho do provedor, potencialmente reduzindo o tempo de documentação clínica e liberando os provedores para interagir diretamente com os pacientes.
