Prévia do material em texto
1/2 Bloqueios na IA identificados pela pandemia de COVID-19 A atual pandemia proporcionou uma oportunidade de observar a resiliência de todos os elos da cadeia de cuidados de saúde, e a IA parece ter ímdo. Crédito da imagem: Getty Images Depois de quase 60 anos no banco de testes, muitos teriam argumentado que a inteligência artificial (IA) para apoio de decisão clínica tinha – finalmente – a transição para a cabeceira. A imprensa popular e científica discutiu algoritmos baseados em aprendizagem que preveem com precisão o início do choque séptico, relataram métodos de reconhecimento de padrões baseados em aprendizagem capazes de classificar lesões de pele com precisão de nível de dermatologista e elogiaram ferramentas de rastreamento do câncer de mama baseadas em IA que superaram os radiologistas por uma margem bastante grande, entre outras realizações. Hoje, após o surto de uma nova doença respiratória, a COVID-19, essa perspectiva bastante ensolarada tornou-se encoberto. A pandemia global da COVID-19, embora certamente um raro pior cenário, proporcionou uma oportunidade para observar a resiliência de todos os elos da cadeia de saúde. E, embora fortemente estressado, a maioria dos elos dessa cadeia resistiu ao teste de estresse do primeiro surto de COVID-19, enquanto o altamente aclamado elo de IA parecia ter dado. Essa falha ocorreu apesar das oportunidades imediatas para que as ferramentas assistidas por IA tivessem um impacto positivo nos resultados dos pacientes, por exemplo, por meio de suporte personalizado à decisão de tratamento ou monitoramento automatizado. 2/2 Há uma notável ausência de ferramentas de apoio à decisão clínica baseadas em IA para COVID-19 nesta primeira onda da pandemia, o que significa que ainda há necessidades e oportunidades para promover a prontidão da IA. Como as necessidades e oportunidades clínicas estão evoluindo com a pandemia, para que as ferramentas de IA sejam bem-sucedidas, precisamos tanto de uma compreensão profunda do caso de uso clínico quanto de mecanismos eficazes para acumular e capitalizar dados relevantes. Enquanto as equipes de engenharia clínica, como a nossa no Centro Malone da Universidade John Hopkins, estão bem posicionadas para identificar rapidamente as necessidades à medida que emergem e elaborar soluções, desenvolvê-las ou mesmo implantá-las geralmente é lento. As razões para a adaptação lenta são diversas e incluem dificuldades na coleta de dados significativos sobre a população-alvo, longos processos de revisão e aprovação éticos e regulatórios e deficiências de infra-estrutura que complicam o compartilhamento e a computação de dados seguros. Vários desenvolvimentos recentes procuram abordar esses obstáculos. Por exemplo, a FDA solicitou feedback sobre uma estrutura regulatória para software baseado em IA como dispositivo médico, e o Escritório de Proteção à Pesquisa Humana organizou uma série de workshops que tocou em possíveis soluções operacionais para os desafios da ética e da proteção de sujeitos humanos em “pesquisa de big data”. Como comunidade, devemos passar algum tempo para identificar e analisar os obstáculos organizacionais, institucionais ou regulatórios que essa crise de saúde destacou, bem como os caminhos de solução que surgiram para trazer sistemas baseados em IA para a cabeceira. Esses insights devem contribuir para uma discussão aberta de como podemos melhorar a prontidão da IA das práticas e protocolos atuais. Afinal, quem sabe quando o próximo teste severo sair e como será. Vamos estar preparados! Mathias Unberath, professor assistente de pesquisa no Departamento de Ciência da Computação da Universidade Johns Hopkins ASN WeeklyTradução Inscreva-se para receber nossa newsletter semanal e receba as últimas notícias científicas diretamente na sua caixa de entrada. ASN WeeklyTradução Inscreva-se no nosso boletim informativo semanal e receba as últimas notícias científicas. https://undefined/mailto:unberath@jhu.edu