Imagine a possibilidade de prever, com 24 horas de antecedência, se um paciente internado com Covid-19 vai ter uma piora em seu quadro clínico e precisará ser intubado. Ou, então, se este mesmo paciente irá apresentar melhora no dia seguinte e poderá receber alta. Parece impossível em meio a uma pandemia de um vírus que apresenta variantes perigosas e atinge os pacientes de maneiras distintas, não é mesmo?
Porém, um artigo publicado na Nature Medicine – uma das maiores publicações científicas do mundo –, 15/9, de autoria de cientistas de vários países liderados pelo Mass General Brigham e NVIDIA – entre eles dois especialistas em Inteligência Artificial (IA) da Dasa, a maior rede integrada de saúde do Brasil –, mostra como um modelo de IA robusto e altamente generalizável pode auxiliar na triagem de pacientes com Covid-19 e melhorar a administração de recursos e os cuidados com as pessoas internadas nos hospitais.
No estudo, Felipe Kitamura, Head de Inovação em Operações Diagnósticas da Dasa, e Gustavo Corradi, médico especialista em IA na Dasa, mostram que a utilização de algoritmos por meio da técnica de Federated Learning – Aprendizado Descentralizado ou Colaborativo, numa tradução livre – pode prever casos de infecção pelo novo coronavírus que podem se agravar ou não, possibilitando aos médicos tomadas de decisões informadas em dados, mais assertivas e rápidas.
Como um algoritmo prevê a evolução da infecção pelo vírus?
Os algoritmos, instalados na rede do hospital onde os pacientes com Covid-19 estão internados, aprendem com dados monitorados e coletados não só dos seus pacientes, mas também de outras instituições que possuem o mesmo sistema, sem que os dados saiam das Instituições “mães”.
“Esse modelo é diferente dos algoritmos atuais, que estimam apenas o risco de morte. Saber que um paciente tem maior risco de morte não é uma informação acionável”, explica Kitamura. Corradi complementa: “Se você consegue prever que em 24 horas um paciente vai precisar ser intubado, você não manda para casa. Enquanto isso, você consegue dar alta hospitalar para outas pessoas porque sabe que não haverá necessidade de intubação. Ou seja, os algoritmos facilitam as decisões dos médicos”.
A pontuação de risco gerada pelos algoritmos, de acordo com os pesquisadores, permite ainda prever a necessidade de oxigênio e pode ser usado antes mesmo de ter PCR positivo, como em casos de pacientes sintomáticos sendo atendidos no Pronto-Socorro, já que a decisão do médico de internar ou não está relacionada com os recursos que o hospital detém para o atendimento.
“Como os dados usados para ensinar a IA são muito diversos em toda a sua natureza, desde a amostra da população até as informações sobre o vírus, o aprendizado federado permite que os algoritmos aprendam melhor, tornando-os cada vez mais acurados”, esclarece Kitamura.
Privacidade e segurança dos dados
Este é um dos maiores estudos com uso de Federated Learning do mundo até o momento, com mais de 16 mil casos de coronavírus mapeados e 20 instituições internacionais de quatro continentes diferentes envolvidas. Segundo Kitamura, o sistema é altamente seguro e a privacidade dos dados dos pacientes é garantida. “A criação do modelo é importante, mas ainda está no âmbito de pesquisa e, para ser implementado, passará por etapas regulatórias. De toda forma, o estudo mostrou a viabilidade do Federated Learning para produzir rapidamente um modelo robusto, preciso e generalizável, sem tráfego de dados de pacientes entre as instituições”, ressalta Kitamura.
“Na NVIDIA, acreditamos que o aprendizado federado pode acelerar a adoção de soluções baseadas em IA na medicina, criando modelos em setores onde os dados são limitados”, disse a Dra. Mona G. Flores, chefe global de IA médica da NVIDIA.
O Massachusetts General Hospital, dos EUA, participante do estudo, planeja validar essa IA em produção e buscar a aprovação dos órgãos competentes em breve.
O aprendizado federado permite que pesquisadores de todo o mundo colaborem e o modelo EXAM está publicamente disponível para uso em pesquisa por meio do NVIDIA NGC Software Hub.
Acesse o estudo completo: https://www.nature.com/articles/s41591-021-01506-3