Primeiramente, vamos explicar alguns dos principais conceitos de que trataremos. Inteligência Artificial (IA) é um conjunto de técnicas que pretendem simular o funcionamento da inteligência humana. O NLP (“Processamento de Linguagem Natural” na tradução livre) é um ramo da IA que trata da interação entre máquinas e seres humanos através de linguagem natural. Já a Inteligência Artificial Generativa é uma técnica de IA que possibilita a criação de textos, fotos, vídeos e música com base em modelos de dados treinados. Esses modelos, por sua vez, são compostos pelo processamento de uma grande quantidade de parâmetros, o que chamamos de LLM (“Large Language Models” ou “Grandes Modelos de Linguagem” na tradução livre).

A Inteligência Artificial na Saúde está inserida no rol de possibilidades das ITIS (Informação e Tecnologia da Informação em Saúde) e possibilita a criação de uma cultura de pensamento analítico em que profissionais e gestores de Saúde tomam decisões embasadas em evidências e não na intuição, processo conhecido como “Data Driven” (“orientado a dados” na tradução livre).

A IA atua basicamente em três eixos na Saúde: políticas públicas, otimização de recursos e melhoria do atendimento.

No primeiro eixo, a análise de dados de sistemas como o DataSUS e do IBGE auxilia na construção e na implementação de programas e ações de Saúde Coletiva pelo Estado. As informações mais utilizadas para este fim estão reunidas no Censo, na Pesquisa Nacional de Saúde (PNS), no Sistema de Informação sobre Mortalidade e Declaração de Óbitos Fetais (SIM-DOFET), no Sistema de Informações sobre Nascidos Vivos (SINASC), no Cadastro Nacional de Estabelecimentos de Saúde (CNES), no Sistema de Informações Hospitalares do SUS (SIHSUS) e no Sistema de Informação sobre Mortalidade (SIM).

O segundo eixo permite uma melhor gestão de equipes médicas e da infraestrutura hospitalar. Já no terceiro, serão mais utilizadas as ferramentas de IA Generativa, LLM e NLP.

A cultura de dados, difundida entre os profissionais da Saúde, possibilita que as decisões tomadas sejam baseadas em evidências e não apenas pautadas na experiência profissional e acadêmica. Ser “Data Driven” é, portanto, promover um processo organizacional baseado em dados a partir da coleta e análise de informações.

Com a grande quantidade de dados a serem analisados (Big Data), a IA lança mão de recursos de machine learning (aprendizado de máquina) para produzir suas próprias regras, numa escala muito maior do que um ser humano poderia programar. Na área da Saúde, técnicas de machine learning permitem a predição de doenças antes de os primeiros sintomas aparecerem, como o caso de câncer em estágio inicial. A máquina aprende a identificar padrões a partir do treinamento alimentado com casos anteriores.

A medicina preditiva usa complexos algoritmos para tentar prever condições futuras de saúde baseada em informações genéticas e no histórico familiar. O uso de dados pessoais também possibilita um atendimento preciso e personalizado com base em exames atuais e do passado. Contudo, coexistem aí questões sobre a privacidade do paciente e o uso dos dados pessoais para outros fins.

Ferramentas de análise automatizada de imagens radiológicas formam um dos principais serviços de Inteligência Artificial autorizadas pela FDA (Food and Drug Administration, agência federal de Saúde dos Estados Unidos), indo além do auxílio ao médico, mas também já indicando um possível diagnóstico de forma não supervisionada. Em 2018, a FDA autorizou o uso de um aplicativo que detecta retinopatia de forma autônoma, o IDx-DR. No contexto da pandemia do Coronavírus, a Anvisa liberou a venda em farmácias de testes rápidos para o autodiagnóstico da Covid-19.

A perspectiva é que a IA na Saúde não seja um serviço autônomo, mas que possa auxiliar os profissionais na automatização de rotinas, assim como fornecer subsídios para o raciocínio. No caso dos gestores, proporciona maior embasamento para a tomada de decisão, otimizando recursos. Exemplos são: melhor organização de escalas de profissionais e uso de equipamentos e insumos, além da construção de prontuários de forma automatizada e de previsões financeiras, promovendo consequentemente uma redução de custos operacionais.

medica negra sus openhealth tablet inteligenciaartificial

Dados de Saúde e Open Health

Um dos empecilhos para o uso de dados em Saúde é o fato de estarem em bases distintas, espalhados em sistemas de agências reguladoras, Ministério da Saúde, Ministério do Trabalho e sistemas privados como farmácias, laboratórios e hospitais.
Para o eixo das Políticas Públicas, a Fiocruz fornece acesso às informações do DataSUS (ligado ao Ministério da Saúde) através da Plataforma de Ciência de Dados aplicada à Saúde (PCDaS), projeto do Instituto de Comunicação e Informação Científica e Tecnológica em Saúde (ICICT/Fiocruz). Tais dados propiciam diversas soluções para a melhoria da saúde da população por meio de análises de informações de variadas fontes. Outra iniciativa que atua no mesmo sentido é Centro de Integração de Dados e Conhecimentos para Saúde (Cidacs) da Fiocruz Bahia, projeto de referência responsável por realizar pesquisas que utilizam a Big Data com o objetivo de aprimorar a compreensão das relações entre a Saúde populacional e as políticas ambientais e sociais.

Estas ações são importantes ainda pois atuam na limpeza e no enriquecimento dos dados brutos, garantindo a qualidade e a confiabilidade das informações coletadas, o que chamamos de “veracidade” em Big Data. Além disso, é possível contar com dados não estruturados de fontes como redes sociais.

No eixo de “Melhoria do atendimento”, a IA pode substituir a consulta a livros como as diretrizes clínicas de um Guideline Médico (ANS & AMB, 2012). No contexto de uma emergência, a consulta a tabelas de um Guideline por médicos não especialistas seria facilitada pela indicação de exames a partir dos indicadores fornecidos ao sistema de IA.

Junto com as informações baseadas em evidências de um Guideline, o processamento pela IA de dados pessoais do paciente admite a prescrição de tratamentos personalizados de acordo com cada pessoa, elevando a taxa de efetividade. Alguns hospitais brasileiros já utilizam a ferramenta Memed para a prescrição digital de medicamentos, contudo, a adoção de ferramentas do tipo pelo Sistema Único de Saúde (SUS) requer outras características como licenciamento de software livre. Exemplo é o sistema AGHUse, software livre sob licença GPL para gestão de hospitais universitários desenvolvido partir de parceria entre o Hospital das Clínicas de Porto Alegre (HCPA), o Ministério da Educação (MEC) e a Empresa Brasileira de Serviços Hospitalares (Ebserh). Os aplicativos de marcação de consultas online estão difundidos no sistema privado, mas podemos destacar o “Agenda Fácil” da Secretaria Municipal de Saúde de São Paulo além da experiência do AGHUse implementada também em hospitais das forças armadas (Aeronáutica, Marinha e Exército).

Mas atenção: as máquinas não substituirão os seres humanos. Como uma solução baseada em machine learning sempre estará sujeita a equívocos, é responsabilidade dos profissionais de Saúde entender o patamar de confiabilidade dos sistemas e dosar o nível de influência que os resultados automatizados terão nas decisões médicas. Além disso, como especialistas no ofício da medicina, esta categoria deve atuar em conjunto com os técnicos para aprimorar o algoritmo a partir de técnicas como RLHF (Reinforcement Learning from Human Feedback, aprendizagem por reforço por resposta humana) e “supervised learning” (aprendizado supervisionado).

No momento, a Inteligência Artificial encontra-se em estágio inicial de desenvolvimento. Suas aplicações ainda povoam o ramo da IA Específica (ANI – Artificial Narrow Intelligence), sendo destinada a resolução de problemas limitados. A segunda etapa seria a Inteligência Artificial Geral (AGI – Artificial General Intelligence), cuja principal característica é contar com comportamentos humanos como sentimentos e emoções. A terceira etapa seria a superação da inteligência humana pelas máquinas, fenômeno chamado de superinteligência (ASI – Artificial Super Intelligence).

Paralelamente, a criação de humanóides, congregando IA Generativa e robótica, já está sendo experimentada na Ásia como o robô chinês Xiaoyi, além dos “carebots” (robôs cuidadores) no Japão, devido ao envelhecimento da população e à escassez de cuidadores humanos neste país. No Brasil, o Hospital Albert Einstein faz uso de robôs de telepresença dentro da dinâmica da telemedicina, permitindo que médicos possam acompanhar seus pacientes a distância.

Mesmo que apenas funcionando no ambiente virtual, os chatbots costumam usar nomes de pessoas para dar mais credibilidade à comunicação entre humanos e máquinas. Exemplos são: Bia (Bradesco), Lu (Magazine Luiza), Alexa (Amazon), Siri (Apple), Cris (Crefisa), CB (Casas Bahia), Nat (Natura), Vivi (Vivo), Tina (Hospital Albert Einstein). Na área da Saúde, o Robô Laura atua na atenção primária. Criada inicialmente para a detecção antecipada da sepse via inteligência artificial, a Laura Care ganhou uma versão que funciona como uma assistente virtual que acompanha toda a jornada do paciente, desde a triagem inicial via WhatsApp até o monitoramento do paciente 14 dias depois do último atendimento.

Uma das barreiras à implantação da cultura de dados na área da Saúde é a digitalização das informações dos pacientes. Segundo dados de 2021, a adoção de Prontuário Eletrônico do Paciente (PEP) já ocorreu em 89% dos estabelecimentos de Saúde, contudo a maioria (84%) refere-se apenas a informações cadastrais do paciente, sendo que este percentual sofre redução quando relacionados a outras informações clínicas: Diagnóstico, problemas ou condições de saúde do paciente (73%), Alergias do paciente (66%), Resultados de exames laboratoriais do paciente (65%), Lista de medicamentos prescritos ao paciente (62%), Vacinas administradas ao paciente (47%) e Imagens de exames radiológicos do paciente (30%).

Nota-se no estudo acima (CETIC, 2021) que o percentual mais baixo está justamente nas imagens radiológicas, área em que a primeira onda de IA na Saúde teve grande presença. Na área pública, este percentual seria de apenas 26%.

Outro entrave é a padronização de dados estruturados e que possibilitem a interoperabilidade entre diversos sistemas, permitindo que o paciente tenha garantidas a transição e a continuidade no cuidado entre os diversos níveis da hierarquização do SUS, além do uso do sistema de saúde suplementar, formando uma EHR (sigla em inglês para Electronic Health Record).

Criada pela Portaria nº 1.434, de 28 de maio de 2020 e alinhada à política de Transformação Digital na Saúde, a Rede Nacional de Dados em Saúde (RNDS) tem o objetivo de sistematizar as informações dos pacientes dos sistemas público e privado. A RNDS utiliza o padrão FHIR (Fast Healthcare Interoperability Resources), a terminologia LOINC e a arquitetura descentralizada Blockchain por apresentar melhor potencial de segurança, acesso, escalabilidade e desempenho.

A RNDS é uma das principais políticas estruturantes para a implementação do conceito de Open Health no Brasil, na medida em que viabilizaria a integração de dados de serviços públicos e privados, dentro de um sistema com controle social. Informações do SUS e de empresas comerciais (Einstein, Rede Dor, Dasa, Fleury, entre outros) seriam compartilhados aprimorando a experiência do paciente e evitando perda de tempo na realização de exames repetidos.

A experiência de intercâmbio de informações de usuários já acontece no Brasil com o chamado Open Banking, assegurando a portabilidade de dados entre diversos prestadores de serviços bancários. A modalidade é regulada pelo Estado através do Banco Central.

O mercado também possui iniciativas de integração de sistemas sem a mediação estatal, como é o caso do Open Delivery. Contudo, neste caso, na contramão do cenário de elevação na competitividade do setor, algumas empresas de entregas fecharam suas operações recentemente no Brasil, como Uber Eats e 99Foods.

Até 2023, a principal experiência exitosa da RNDS foi o projeto ConecteSUS no contexto da pandemia do Novo Coronavírus. Este sistema reúne registros de vacinação, exames de Covid-19, atendimentos, internações e medicamentos. O “ConecteSUS Cidadão” é uma evolução do “Meu digiSUS”, aplicativo que apresentava ao cidadão um conjunto de informações reunidas de sistemas como o Portal do Cidadão, o Cadastro Nacional de Usuário do Sistema Único de Saúde (CADSUS) e o Cadastro Nacional de Estabelecimento de Saúde (CNES). Com o app, era possível agendar procedimentos e exames inseridos no sistema da Atenção Básica e-SUS AB e no Sistema de Regulação (SISREG).

Lançado em agosto de 2020, a obrigatoriedade da emissão do comprovante de vacinação tornou o aplicativo ConecteSUS popular. Até dezembro de 2022, a ferramenta já tinha sido baixada mais de 36 milhões de vezes. Já em julho de 2021, foi criada uma versão focada nos profissionais de Saúde, o “ConecteSUS Profissional”. Este sistema permitia o acesso ao histórico médico do cidadão, condicionado à autorização do mesmo. Nos EUA, o Health Information Exchange (HIE) também exige consentimento do paciente para o intercâmbio de informações.

Essas ações estão alinhadas à Política Nacional de Informática e Informações em Saúde (PNIIS, 2021), à Estratégia da e-Saúde (CIT 2017), ao Plano de Ação, Monitoramento e Avaliação de Saúde Digital para o Brasil (PAM&A 2019) e à Estratégia de Saúde Digital para o Brasil 2020-2028 (ESD28) e à Estratégia e-Saúde para o Brasil.

A adoção de ferramentas de Inteligência Artificial na Saúde pode encontrar um empecilho na cultura do médico como protagonista exclusivo da Saúde. A presença da IA pode, em alguns episódios, contestar uma avaliação ou tomada de decisão por parte do médico. A perspectiva positiva é que a transformação digital propicie uma atuação do médico mais como tutor, aumentando o compartilhamento de responsabilidades por meio da coparticipação do próprio paciente, na medida em que este último estará cada vez mais empoderado de sua situação clínica graças ao conhecimento de suas informações médicas.

Neste caminho, a jornada do paciente deve ser redesenhada com processos baseados nas necessidades do usuário (ou experiência do usuário – UX) e não nas necessidade do médico ou do hospital. Por fim, a IA não tem a pretensão de substituir os profissionais da saúde, mas, ao automatizar rotinas, o trabalho tende a ser cada vez mais dedicado a atividades de interação com o paciente e menos no preenchimento de relatórios.

REFERÊNCIAS:

ANS & AMB. Diretrizes Clínicas na Saúde Suplementar 2012: Associação Médica Brasileira e Agência Nacional de Saúde Suplementar. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/diretrizes_clinicas_2012.pdf. Acesso em: 25 abr. 2023.

BRASIL. Portaria nº 1.434, de 28 de maio de 2020. Altera o Anexo XLII da Portaria de Consolidação GM/MS nº 2, de 28 de setembro de 2017, para dispor sobre a Política Nacional de Informação e Informática em Saúde (PNIIS). Diário Oficial da União, Brasília, DF, 2021. Disponível em: https://www.in.gov.br/en/web/dou/-/portaria-gm/ms-n-1.768-de-30-de-julho-de-2021-335472332. Acesso em: 25 abr. 2023.

CETIC. TIC Saúde 2021. Disponível em: https://cetic.br/pt/tics/saude/2021/estabelecimentos/B2/. Acesso em: 25 abr. 2023.

SANTOS, A. W. C.. Inteligência Artificial Generativa, dados pessoais e Literacia Digital em Saúde: possibilidades, desigualdades e limites. Disponível em: https://arthurwilliam.com.br/wp-content/uploads/2023/05/Inteligencia-Artificial-Generativa-dados-pessoais-e-Literacia-Digital-em-Saude-Arthur-William-Cardoso-Santos.pdf. Acesso em: 31 mai. 2023.

Arthur William Cardoso Santos
Arthur William Cardoso Santos

Arthur William Santos é mestre em Educação, Cultura e Comunicação (UERJ), pós-graduado no MBA de TV Digital, Radiodifusão e Novas Mídias de Comunicação Eletrônica (UFF), graduado em Comunicação Social / Jornalismo (PUC-Rio) e técnico em eletrônica (CEFET-RJ). Foi gerente executivo de Produção, Aquisição e Parcerias na EBC, além de gerenciar o setor de Criação de Conteúdos e coordenar as Redes Sociais da TV Brasil. Liderou também a área de Inovação/Novos Negócios na TV Escola. Atuou ainda na criação do Canal Educação e do Canal LIBRAS para o Ministério da Educação (MEC). Fez cursos presenciais em Harvard e Stanford sobre Inovação na Educação. Deu aulas em cursos de graduação e pós-graduação nas universidades UniCarioca, Unigranrio, FACHA, INFNET e CEFOJOR (Angola). É membro da SET (Sociedade de Engenharia de Televisão).

Share This