Machine learning, big data e inteligência artificial são termos cada vez mais frequentes na assistência à saúde. Mas o que a literatura científica diz sobre a aplicação dessas modernas tecnologias na melhoria efetiva da assistência? Uma revisão de escopo publicada em novembro de 2021 avaliou o impacto da adesão à essas ferramentas na redução de eventos adversos relacionados a medicamentos. Os resultados soam promissores.
O primeiro ponto a ser destacado é que os estudos encontrados se concentram em duas frentes principais:
- 86% focavam no auxílio à tomada de decisão sobre o tratamento ao prever se o paciente está suscetível a sofrer um evento adverso, podendo, inclusive, indicar o tratamento preferencial de acordo com aquele perfil de risco;
- 14% focavam na detecção precoce de erros assim que a medicação é prescrita, podendo bloquear o erro antes que ele ocorra e contribuindo para a redução da gravidade ou a duração da falha se ela já tiver sido cometida.
Dentro dessas duas perspectivas, nota-se que ferramentas e algoritmos baseados em inteligência artificial podem ser bons parceiros dos pacientes, dos profissionais de saúde e do sistema, já que erros de medicamentos desencadeiam aumento no tempo de internação, nos custos assistenciais e no risco de mortalidade. Além disso, estudos relatam que um a cada três erros são evitáveis.
Na revisão, foram enfatizadas técnicas modernas de inteligência artificial envolvendo redes neurais, árvores binárias, máquina de vetores de suporte e processamento de linguagem natural para a análise de eventos adversos como erros de medicação, reações alérgicas, trombocitopenias, cardiotoxicidade, neurotoxicidade, hepatoxicidade e nefrotoxicidade.
No contexto da predição, metade dos estudos estavam focados em quatro classes medicamentosas: analgésicos, antineoplásicos, antibióticos e anticoagulantes. Havia pesquisas direcionadas a prever quais pacientes provavelmente sofreriam com um evento adverso ao medicamento, a prever a resposta terapêutica e a prever a dosagem ideal.
Aqui, árvores binárias foram muito utilizadas em abordagens que performam bem em ambientes clínicos. Já ferramentas focadas em processamento de linguagem natural parecem estar embrionárias, porém sendo desenvolvidas pela indústria e pela academia para, em breve, tornarem-se mais uma possibilidade de suporte à decisão clínica.
Já no contexto da detecção precoce, os estudos eram mais abrangentes, ou seja, não estavam focados em classes específicas de medicamentos. Dessa vez, o machine learning despontou como ferramenta interessante por conseguir alertar os prescritores sobre discrepâncias em dosagens, irregularidades e possível duplicidade de medicamentos. Outro ponto relevante é que 85% dos alertas emitidos pela inteligência artificial foram considerados clinicamente relevantes.
Isso porque, com a tecnologia, pode ser criado um melhor filtro para esses alertas. Como exemplo, o estudo traz o caso de um alerta de interação medicamentosa que será dado a todos os pacientes, mesmo aquele que já faz uso das duas medicações em conjunto com boa tolerância. Com a inteligência artificial bem aplicada, o mecanismo pode compreender e excluir esse paciente do sinal.
Relevância genética
A inclusão de dados genéticos foi considerada interessante para a melhoria do desempenho dos modelos de previsão de eventos adversos, visto que esse segmento pode desempenhar papel importante na resposta terapêutica. Como exemplo, a revisão menciona os genes P450 que têm implicação direta no metabolismo de drogas.
Porém, apesar do potencial promissor da integração entre informação genética e informação clínica, existem limitações que precisam ser destacadas. Além de poucos estudos que realmente se baseiam em variáveis genéticas estarem disponíveis, há escassez de dados de genotipagem de pacientes.
Desafios importantes
A inteligência artificial aplicada à redução de eventos adversos a medicamentos ainda é emergente e além de mais investimento nas ferramentas, é necessário produzir mais estudos para que seja possível criar, de fato, possibilidades precisas, equitativas e significativas para a assistência e a tomada de decisões clínicas.
Além disso, modelos de alto desempenho acabam sendo desenvolvidos e validados em locais mais restritos e com maior possibilidade de financiamento deste tipo de projeto, o que faz com que essa mesma ferramenta, quando aplicada dentro de outro contexto e com outro perfil populacional, possa não ter o mesmo desempenho e assertividade. Assim, há necessidade de teste e calibração dos dispositivos para subgrupos populacionais e acesso a dados populacionais abrangentes.
Referência:
Materiais Científicos
Notícias
Eventos
