Por Peter A. L. Bonis, MD
Como seria se computadores pudessem prever quais pacientes possuem maior propensão a desenvolver uma doença terminal? E o que o médico e o paciente deveriam fazer ao receberem tal previsão? Essa é uma realidade de alguma forma já possível? A resposta é sim. Com os algoritmos matemáticos ficando cada vez mais precisos, tudo nos leva a crer que estaremos em breve enfrentando esses desafios.
Recentemente, pesquisadores da Universidade da Flórida extraíram dados dos prontuários eletrônicos relacionados a um grupo de pacientes que cometeram tentativas de suicídio. Com base em técnicas avançadas de análises de dados e aprendizagem de máquina (machine learning,) foi possível identificar, por meio da combinação de fatores, pessoas com tendências a cometerem suicídio.
Este tipo de modelagem preditiva não é novo, porém as funcionalidades, que permitem que uma máquina reconheça complexas interações entre variáveis e resultados que possam interessar, avançaram muito nos últimos anos. Além de analisar grandes volumes de dados, a tecnologia permite ler e interpretar textos livres, como por exemplo, uma nota ditada pelo médico, e combinar múltiplas fontes de informação para promover previsões avançadas. Utilizando o conceito de machine learning, esses sistemas são desenvolvidos para aprenderem sozinhos e serem continuamente aprimorados à medida que ganham experiência com base nas suas próprias descobertas e mensurações. Os resultados, por sua vez, dão origem a informações oportunas que excedem a capacidade dos seres humanos.
Desta forma, os algoritmos de aprendizagem de máquina desenvolvidos pelos pesquisadores da Universidade da Flórida são capazes de prever tentativas de suicídio com 80 a 90% de precisão, até dois anos antes. Outras instituições estão desenvolvendo abordagens similares para uma série de outras predisposições, como depressão, insuficiência e ataques cardíacos, demência, doenças de Parkinson e renal crônica.
A indústria da saúde está inundada com dados que podem alimentar esses modelos computacionais, tornando as descobertas ainda mais precisas. Mas, será que estamos rapidamente nos aproximando de um tempo em que as máquinas estão tão confiantes em suas previsões, que nos induzem a considerar que já temos determinada doença ou o que somos doentes de risco? Esse estágio pode ser chamado de “proto-doença”.
A grande aposta no que diz respeito à possibilidade de termos previsões bastante precisas está em seu potencial de permitir intervenções que podem reduzir ou eliminar a probabilidade das doenças que ainda estão por ocorrer, de fato ocorrerem. Infelizmente, a capacidade de prever está avançando mais rapidamente do que a habilidade de prevenir. Imagine que seu médico durante uma consulta diga que, segundo um programa de computador, você desenvolverá diabetes mellitus nos próximos dois anos. Ele prescreve uma série de conselhos sobre uma vida saudável (os quais você provavelmente seguirá dado ao fato de ser uma advertência de um computador), mas por outro lado, ele não tem muito mais do que isso para oferecer ou a fazer. Pois, de fato, estudos que avaliaram a prevenção de diabetes com medicamentos disponíveis não foram muito conclusivos. Isso significa que você, sem dúvida, deixará o consultório bastante mal-humorado e com o fardo de ter uma “proto-doença”.
Para complicar ainda mais a questão, pode não ser seu médico a pessoa a revelar essa notícia a você. A extração de dados pode também ser realizada pelas instituições que têm acesso às suas informações, como por exemplo, sua seguradora de saúde. No melhor dos cenários, essas operadoras de saúde utilizarão essas informações para ajudar a mantê-lo saudável, mas, como observado anteriormente, as intervenções efetivas ainda não estão completamente evoluídas.
No entanto, também podem existir aplicações com outro tipo de finalidade e que não são tão positivas assim. Uma seguradora de saúde pode, por exemplo, usar as informações a respeito dos riscos de saúde que sua carteira de clientes apresenta para tirar vantagens comerciais, a favor dos seus interesses e sem benefício nenhum dos usuários dos planos e seguros de saúde. Afinal, conhecimento é sinônimo de poder – especialmente neste mercado.
Ou seja, essas empresas saberão antecipadamente e de forma precisa quem em sua carteira desenvolverá alguma doença, e por consequência, apresentará maiores custos. Esse tipo de informação trará a eles uma vantagem incontestável nas negociações dos valores de seus contratos.
Em paralelo a isso, surgem também questões éticas, morais e legais. Essa informação de que você desenvolverá uma doença deve ser compartilhada pela seguradora de saúde – ou o que é mais adequado, pelo médico – com o paciente? Caso isso não ocorra, pode ser considerado um tipo de negligência?
O desafio em curto prazo é confirmar a precisão destas previsões e encontrar formas de inseri-las no fluxo de trabalho dos já sobrecarregados profissionais da saúde. As previsões serão preferencialmente acompanhadas por informações baseadas em evidência que ajudam a orientar o médico a respeito de qual ação tomar. As instituições de saúde já comprometidas com a saúde da população, que inclusive organizam seus pacientes por grupos de risco de acordo com a propensão por alguma doença, como por exemplo, diabetes, podem incorporar mais essa informação para as suas ações. De certa forma, essa evolução na disponibilidade de dados poderá inclusive levar a mudanças na prevenção, com foco na “proto-doença” ou doentes em grupos de riscos.
Os avanços no sentido da aprendizagem por máquina e na antecipação de doenças já estão bem encaminhados. É só uma questão de tempo até que as previsões tenham se tornado um fator importante para determinar como tratar cada um dos pacientes. O principal desafio será priorizarmos que intervenções realmente eficazes acompanhem as previsões – ou não.
Peter Bonis, MD é CMO (Chief Medical Officer) de Efetividade Clínica na Wolters Kluwer