Frontiers in Medicine
On Outubro 30, 2021 by adminIntrodução
A expressão “Tecnologia Médica” é amplamente utilizada para abordar uma série de ferramentas que podem permitir aos profissionais de saúde proporcionar aos pacientes e à sociedade uma melhor qualidade de vida, realizando diagnósticos precoces, reduzindo complicações, otimizando o tratamento e/ou oferecendo opções menos invasivas, e reduzindo a duração da hospitalização. Enquanto, antes da era móvel, as tecnologias médicas eram conhecidas principalmente como dispositivos médicos clássicos (por exemplo, próteses, stents, implantes), o surgimento de smartphones, wearables, sensores e sistemas de comunicação revolucionou a medicina com a capacidade de conter ferramentas alimentadas por inteligência artificial (IA) (como aplicações) em tamanhos muito pequenos (1). A IA revolucionou as tecnologias médicas e pode ser comumente entendida como a parte da ciência da computação que é capaz de lidar com problemas complexos com muitas aplicações em áreas com grande quantidade de dados, mas pouca teoria (2).
Intelligent medical technologies (i.e, AI-powered) têm sido acolhidas com entusiasmo pela população em geral, em parte porque permite um modelo 4P de medicina (Predictiva, Preventiva, Personalizada e Participativa) e, portanto, a autonomia do paciente, de formas que não poderiam ser possíveis (3); os smartphones estão se tornando, por exemplo, o item de preenchimento e distribuição de um registro de saúde pessoal eletrônico (4), monitorar funções vitais com biossensores (5) e ajudar a alcançar a adesão terapêutica ideal (6), portanto, dotando o paciente com o ponto como o principal ator no caminho dos cuidados. O desenvolvimento de tecnologias médicas inteligentes está permitindo o desenvolvimento de um novo campo na medicina: a medicina aumentada, ou seja, o uso de novas tecnologias médicas para melhorar diferentes aspectos da prática clínica. Vários algoritmos baseados em IA foram aprovados na última década pela Food and Drug Administration (FDA) e poderiam, portanto, ser implementados. A medicina aumentada não é permitida apenas pelas tecnologias baseadas na IA, mas também por várias outras ferramentas digitais, tais como sistemas de navegação cirúrgica para cirurgia assistida por computador (7), ferramentas contínuas de realidade virtual para cirurgia, gerenciamento da dor e distúrbios psiquiátricos (8-10).
Embora o campo da medicina aumentada pareça encontrar sucesso com os pacientes, ele pode ser enfrentado com certa resistência por profissionais de saúde, em particular médicos: em relação a esse fenômeno, quatro razões amplamente discutidas devem ser fornecidas. Primeiro, o despreparo quanto ao potencial da medicina digital deve-se à evidente falta de educação básica e continuada em relação a esta disciplina (11). Em segundo lugar, a digitalização precoce dos processos de saúde, muito diferente da promessa de medicina aumentada, veio com um aumento acentuado da carga administrativa ligada principalmente aos registros eletrônicos de saúde (12), que passou a ser conhecido como um dos principais componentes do burnout médico (13). Terceiro, há um medo crescente quanto ao risco da IA substituir os médicos (14), embora a opinião atual e dominante na literatura seja que a IA irá complementar a inteligência médica no futuro (15, 16). Quarto, a atual falta mundial de uma estrutura legal que defina o conceito de responsabilidade no caso de adoção ou rejeição de recomendações de algoritmos deixa o médico exposto a potenciais resultados legais ao usar a IA (17).
Como resultado da falta de educação em medicina digital, várias escolas médicas privadas estão preparando seus futuros líderes médicos para o desafio da medicina aumentada, associando o currículo médico ao currículo de engenharia ou implementando a alfabetização em saúde digital e o uso em um currículo atualizado (18).
O objetivo deste trabalho é resumir os desenvolvimentos recentes da IA em medicina, fornecer os principais casos de uso – onde as tecnologias médicas alimentadas pela IA já podem ser usadas na prática clínica, e perspectivas sobre os desafios e riscos que profissionais e instituições de saúde enfrentam ao implementar a medicina aumentada, tanto na prática clínica quanto na educação de futuros líderes médicos.
Aplicações atuais de Inteligência Artificial em Medicina
2.1. Cardiologia
2.1.1. Fibrilação Atrial
A detecção precoce da fibrilação atrial foi uma das primeiras aplicações da IA em medicina. A AliveCor recebeu aprovação da FDA em 2014 para sua aplicação móvel Kardia, permitindo um ECG baseado em smartphone- monitoração e detecção de fibrilação atrial. O recente estudo REHEARSE-AF (19) mostrou que a monitorização remota de ECG com Kardia em pacientes ambulatoriais tem mais probabilidade de identificar fibrilação atrial do que os cuidados de rotina. A Apple também obteve a aprovação do FDA para seu Apple Watch 4 que permite a fácil aquisição de ECG e detecção de fibrilação atrial que pode ser compartilhada com o médico de sua escolha através de um smartphone (20). Várias críticas às tecnologias de ECG vestível e portátil foram abordadas (21), destacando limitações ao seu uso, como a taxa de falsos positivos originados de artefatos de movimento, e barreiras na adoção de tecnologia vestível em pacientes idosos que têm maior probabilidade de sofrer de fibrilação atrial.
2.1.2. Risco Cardiovascular
Aplicado aos registros eletrônicos de pacientes, a IA tem sido usada para prever o risco de doença cardiovascular, por exemplo, síndrome coronariana aguda (22) e insuficiência cardíaca (23) melhor que as escalas tradicionais. Recentes revisões abrangentes (24) relataram, entretanto, como os resultados podem variar dependendo do tamanho da amostra utilizada no relatório da pesquisa.
2,2. Medicina Pulmonar
A interpretação dos testes de função pulmonar tem sido relatada como um campo promissor para o desenvolvimento de aplicações da IA em medicina pulmonar. Um estudo recente (25) relatou como um software baseado em IA fornece uma interpretação mais precisa e serve como uma ferramenta de apoio à decisão no caso sobre a interpretação de resultados de testes de função pulmonar. O estudo recebeu várias críticas, uma das quais (26) relatou como a taxa de diagnóstico preciso nos pneumologistas participantes do estudo foi consideravelmente menor que a média do país.
2,3. Endocrinologia
Monitoramento contínuo da glicose permite que pacientes com diabetes visualizem leituras intersticiais de glicose em tempo real e fornece informações sobre a direção e a taxa de mudança dos níveis de glicose no sangue (27) A Medtronic recebeu aprovação da FDA para seu sistema Guardian para monitoração da glicose, que é o smartphone-paired (28). Em 2018, a empresa fez uma parceria com a Watson (IA desenvolvida pela IBM) para o seu sistema Sugar.IQ para ajudar os seus clientes a melhor prevenir episódios de hipoglicemia com base em medições repetidas. A monitorização contínua da glicemia pode permitir aos pacientes optimizar o controlo da glicemia e reduzir o estigma associado aos episódios de hipoglicemia; no entanto, um estudo centrado na experiência do paciente com a monitorização da glicemia relatou que os participantes, embora expressando confiança nas notificações, também declararam sentimentos de falha pessoal na regulação do nível de glicose (27).
2,4. Nefrologia
A inteligência artificial tem sido aplicada em diversos ambientes da nefrologia clínica. Por exemplo, tem se mostrado útil para a previsão do declínio da taxa de filtração glomerular em pacientes com doença renal policística (29), e para estabelecer o risco de nefropatia progressiva por IgA (30). Entretanto, uma revisão recente relatou como neste momento a pesquisa está limitada pelo tamanho da amostra necessária para a inferência (31).
2,5. Gastroenterologia
A especialidade de gastroenterologia se beneficia de uma ampla gama de aplicações de IA em ambientes clínicos. Os gastroenterologistas fizeram uso de redes neurais convolucionais entre outros modelos de aprendizagem profunda para processar imagens de endoscopia e ultra-som (32) e detectar estruturas anormais como pólipos colônicos (33). As redes neurais artificiais também têm sido usadas para diagnosticar doença de refluxo gastroesofágico (34) e gastrite atrófica (35), bem como para prever resultados em sangramento gastrointestinal (36), sobrevivência de câncer esofágico (37), doença inflamatória intestinal (38) e metástase em câncer colorretal (39) e carcinoma escamoso esofágico (40).
2,6. Neurologia
2.6.1. Epilepsia
Os dispositivos inteligentes de detecção de convulsões são tecnologias promissoras que têm o potencial de melhorar a gestão de convulsões através de monitorização permanente em ambulatório. A Empatica recebeu aprovação do FDA em 2018 para seu Embrace wearable, que associado a captores eletrodérmicos pode detectar crises de epilepsia generalizada e reportar a um aplicativo móvel capaz de alertar parentes próximos e médico de confiança com informações complementares sobre a localização do paciente (41). Um relatório focado na experiência do paciente, revelou que, ao contrário do que ocorre na monitoração cardíaca, os pacientes que sofrem de epilepsia não tinham barreiras na adoção de dispositivos de detecção de convulsões, e relataram alto interesse no uso de dispositivos que podem ser usados (42).
2.6.2. Avaliação da marcha, postura e tremor
Sensores usáveis têm se mostrado úteis para avaliar quantitativamente a marcha, postura e tremor em pacientes com esclerose múltipla, doença de Parkinson, Parkinson e doença de Huntington (43).
2.7. Diagnóstico Computacional do Câncer em Histopatologia
Paige.ai recebeu do FDA o status de descoberta de um algoritmo baseado em IA capaz de diagnosticar o câncer em histopatologia computacional com grande precisão, permitindo ao patologista ganhar tempo para focar em slides importantes (44).
2.8. Medical Imaging and Validation of AI-Based Technologies
Uma meta-análise há muito esperada comparou o desempenho de softwares de aprendizado profundo e radiologistas no campo do diagnóstico por imagem (45): embora o aprendizado profundo pareça ser tão eficiente quanto o radiologista para o diagnóstico, os autores apontaram que 99% dos estudos não tiveram um desenho confiável; além disso, apenas um milésimo dos trabalhos que foram revisados validaram seus resultados por meio de algoritmos de diagnóstico por imagem médica provenientes de outras populações de origem. Esses achados suportam a necessidade de uma extensa validação de tecnologias baseadas em IA através de ensaios clínicos rigorosos (5).
Discussão: Desafios e Direções Futuras da Inteligência Artificial em Medicina
3.1. Validação de Tecnologias Baseadas na IA: Rumo a uma Crise de Replicação?
Um dos principais desafios da aplicação da IA em medicina nos próximos anos será a validação clínica dos conceitos e ferramentas fundamentais recentemente desenvolvidos. Embora muitos estudos já tenham introduzido a utilidade da IA com claras oportunidades baseadas em resultados promissores, várias limitações bem reconhecidas e frequentemente relatadas dos estudos de IA são susceptíveis de complicar tal validação. Abordaremos aqui três dessas limitações, assim como forneceremos maneiras possíveis de superá-las.
Primeiro, a maioria dos estudos comparando a eficiência da IA vs. clínicos são considerados como tendo projeto não confiável e conhecidos por não terem replicação primária, ou seja, a validação dos algoritmos desenvolvidos em amostras provenientes de outras fontes que não a usada para treinar algoritmos (45). Esta dificuldade poderia ser superada na era da ciência aberta, pois os dados abertos e os métodos abertos são obrigados a receber cada vez mais atenção como melhores práticas na pesquisa. Entretanto, a transição para a ciência aberta poderia ser difícil para empresas de IA médica que desenvolvem software como um negócio principal.
Segundo, estudos relatando aplicação de IA na prática clínica são conhecidos por serem limitados devido a desenhos retrospectivos e tamanhos de amostras; tais desenhos potencialmente incluem seleção e viés de espectro, ou seja, modelos são desenvolvidos para se ajustar de forma ideal a um dado conjunto de dados (esse fenômeno também é conhecido como superajuste), mas não replicam os mesmos resultados em outros conjuntos de dados (32). A reavaliação e calibração contínuas após a adoção de algoritmos suspeitos de sobreajuste devem ser necessárias para adaptar o software à flutuação da demografia do paciente (46). Além disso, há um consenso crescente a partir da necessidade de desenvolvimento de algoritmos projetados para se adequar a comunidades maiores, levando em conta subgrupos (47).
Terceiro, apenas poucos estudos são conhecidos para comparar IA e clínicos com base nos mesmos conjuntos de dados; mesmo nesse cenário, críticas têm sido feitas apontando para uma taxa de precisão diagnóstica menor do que a esperada em médicos da especialidade. (26). A oposição de IA e clínicos é, embora bem representada na literatura científica, provavelmente não é a melhor maneira de abordar a questão do desempenho na especialidade médica: vários estudos estão agora abordando a interação entre clínicos e algoritmos (47), uma vez que a combinação de inteligência humana e artificial supera ou sozinha.
3,2. Implicações Éticas da Monitorização Contínua
A tecnologia médica é um dos mercados mais promissores do século XXI, com um valor de mercado estimado aproximando-se rapidamente dos mil biliões de dólares em 2019. Uma porcentagem crescente da receita é devida ao varejo de dispositivos médicos (como aparelhos de monitoração cardíaca) para uma população mais jovem, que não é o principal perfil de consumidor alvo (porque problemas de saúde como fibrilação atrial são menos prováveis de aparecer). Devido a esse fenômeno, a Internet das Coisas (IoT) está redefinindo o conceito de indivíduo saudável como uma combinação do self quantificado (indicadores pessoais codificados no smartphone ou wearable) e uma série de parâmetros de estilo de vida wearable-provided (monitoramento de atividades, controle de peso, etc.).
Outras vezes, nos últimos anos várias empresas wearable têm concluído acordos importantes com companhias de seguros ou governos para organizar uma distribuição em larga escala desses produtos: esse tipo de iniciativas são principalmente destinadas a induzir mudanças de estilo de vida em grandes populações. Enquanto os países ocidentais continuam a evoluir para sistemas de saúde centrados na responsabilidade individual do paciente em relação à sua própria saúde e bem-estar, as implicações éticas do monitoramento médico contínuo com dispositivos médicos através da Internet das coisas são frequentemente discutidas. Por exemplo, o monitoramento contínuo e as violações de privacidade têm o potencial de aumentar o estigma em torno de cidadãos cronicamente doentes ou mais desfavorecidos (48) e possivelmente penalizar os cidadãos que não são capazes de adotar novos padrões de estilo de vida saudável, por exemplo, reduzindo o acesso a seguros e cuidados de saúde; pouco ou nenhum debate tem sido focado sobre essas potenciais e cruciais armadilhas na elaboração de políticas de saúde.
Neste quadro tecno-político, a questão da proteção e propriedade de dados torna-se cada vez mais crucial, embora com mais de duas décadas (49). Várias atitudes em relação à propriedade dos dados são descritas na literatura: embora alguns trabalhos defendam a propriedade comum dos dados dos pacientes para lucrar com abordagens médicas personalizadas (50, 51), o consenso está mudando para a propriedade dos pacientes, pois tem efeitos positivos no envolvimento dos pacientes, bem como pode melhorar o compartilhamento de informações se for desenvolvido um acordo de uso de dados entre o paciente e os profissionais de saúde (52).
3,3. A Necessidade de Educar Médicos Aumentados
As universidades universais começaram a criar um novo currículo médico, incluindo um doutor-engenharia (18), para responder à necessidade de educar futuros líderes médicos para os desafios da inteligência artificial na medicina (53). Tais currículos vêem uma abordagem mais forte para as ciências duras (como física e matemática), e a adição de ciências computacionais, codificação, algoritmos e engenharia mecatrônica. Esses “médicos aumentados” contariam tanto com uma experiência clínica quanto com conhecimentos digitais para resolver problemas de saúde modernos, participar na definição de estratégias digitais para instituições de saúde, gerenciar a transição digital, educar pacientes e pares.
Associedade, assim como as instituições de saúde, poderiam se beneficiar desses profissionais como uma rede de segurança para qualquer processo, incluindo a IA na medicina, mas também como um impulso de inovação e pesquisa. Além da educação médica básica, há uma necessidade de implementação de programas educacionais contínuos em relação à medicina digital e visando médicos graduados, de modo a permitir a reciclagem neste campo crescente. Na maioria dos hospitais de ponta ao redor do mundo, tais especialistas estão encarregados da missão do Chief Medical Information Officer (CMIO).
3.4. A Promessa da Inteligência Clínica Ambiental: Evitando a Desumanização pela Tecnologia
Como relatado por vários estudos (12, 13), os registros eletrônicos de saúde podem ser uma importante carga administrativa e uma fonte de burnout, fenômeno cada vez mais presente nos médicos, tanto em treinamento como em treinamento. Embora soluções de inteligência artificial como o Processamento em Linguagem Natural estejam se tornando cada vez mais capazes de ajudar o médico a entregar prontuários médicos completos, outras soluções são necessárias para resolver a questão do crescente tempo alocado ao cuidado indireto do paciente.
A inteligência clínica ambiente (ACI) é entendida como um ambiente digital sensível, adaptável e responsivo ao redor do médico e do paciente (54) e capaz de, por exemplo, analisar a entrevista e preencher automaticamente os prontuários eletrônicos de saúde do paciente. Vários projetos estão em andamento para desenvolver uma ACI, que seria uma aplicação crucial da inteligência artificial na medicina e muito necessária para resolver problemas modernos com a força de trabalho do médico.
Uma das grandes barreiras para a adoção de tecnologias médicas inteligentes nos médicos é o medo de uma desumanização da medicina. Isso se deve principalmente à crescente carga administrativa (12) imposta aos médicos. No entanto, tecnologias modernas como a ACI e o processamento em Linguagem Natural são capazes de resolver a questão da carga administrativa e ajudarão os médicos a se concentrar mais no paciente.
3,5. Os médicos serão substituídos pela Inteligência Artificial?
Como recentemente discutido na literatura (15, 16) os médicos provavelmente não serão substituídos pela inteligência artificial: tecnologias médicas inteligentes existem como suporte ao médico, a fim de melhorar o gerenciamento do paciente. Como estudos recentes indicaram (45), no entanto, comparações freqüentemente ocorrem entre soluções de inteligência artificial e médicos, como se as duas contrapartes estivessem em competição. Estudos futuros devem focar a comparação entre médicos que utilizam soluções de inteligência artificial com médicos sem o auxílio de tais aplicações, e estender essas comparações a ensaios clínicos translacionais; somente então a inteligência artificial será aceita como complementar aos médicos. Os profissionais de saúde encontram-se hoje em dia numa posição privilegiada, para poderem acolher a evolução digital e serem os principais motores de mudança, embora seja necessária uma grande revisão da educação médica para proporcionar aos futuros líderes as competências para o fazer.
Conclusão
A implementação da inteligência artificial na prática clínica é uma área promissora de desenvolvimento, que evolui rapidamente em conjunto com os outros campos modernos da medicina de precisão, genómica e teleconsulta. Enquanto o progresso científico deve permanecer rigoroso e transparente no desenvolvimento de novas soluções para melhorar os cuidados de saúde modernos, as políticas de saúde devem agora estar focadas na abordagem das questões éticas e financeiras associadas a esta pedra angular da evolução da medicina.
Contribuições dos autores
Todos os autores listados fizeram uma contribuição substancial, direta e intelectual para o trabalho, e o aprovaram para publicação.
Conflito de interesse
Os autores declaram que a pesquisa foi realizada na ausência de qualquer relação comercial ou financeira que pudesse ser interpretada como um potencial conflito de interesse.
1. Steinhubl SR, Muse ED, Topol EJ. O campo emergente da saúde móvel. Sci Trans Med. (2015) 7:283rv3. doi: 10.1126/scitranslmed.aaaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2. Peng Y, Zhang Y, Wang L. Inteligência artificial em engenharia biomédica e informática: uma introdução e revisão. Artif Intell Med. (2010) 48:71-3. doi: 10.1016/j.artmed.2009.07.007
PubMed Abstract | CrossRef Full Text | Google Scholar
3. Orth M, Averina M, Chatzipanagiotou S, Faure G, Haushofer A, Kusec V, et al. Opinion: redefinindo o papel do médico na medicina laboratorial no contexto das tecnologias emergentes, da medicina personalizada e da autonomia do paciente (‘medicina 4P’). J Clin Pathol. (2019) 72:191-7. doi: 10.1136/jclinpath-2017-204734
PubMed Abstract | CrossRef Full Text | Google Scholar
4. Abdulnabi M, Al-Haiqi A, Kiah MLM, Zaidan AA, Zaidan BB, Hussain M. Uma estrutura distribuída para troca de informações sobre saúde usando tecnologias de smartphone. J Biomed Informat. (2017) 69:230-50. doi: 10.1016/j.jbi.2017.04.013
PubMed Abstract | CrossRef Full Text | Google Scholar
5. Topol EJ. Uma década de inovação da medicina digital. Sci Trans Med. (2019) 11:7610. doi: 10.1126/scitranslmed.aaw7610
PubMed Abstract | CrossRef Full Text | Google Scholar
6. Morawski K, Ghazinouri R, Krumme A, Lauffenburger JC, Lu Z, Durfee E, et al. Associação de um aplicativo para smartphone com adesão a medicamentos e controle de pressão arterial: o ensaio clínico aleatório MedISAFE-BP. JAMA Int Med. (2018) 178:802-9. doi: 10.1001/jamainternmed.2018.0447
PubMed Abstract | CrossRef Full Text | Google Scholar
7. Overley SC, Cho SK, Mehta AI, Arnold PM. Navegação e robótica na cirurgia da coluna vertebral: onde estamos agora? Neurocirurgia. (2017) 80:S86-99. doi: 10.1093/neuros/nyw077
PubMed Abstract | CrossRef Full Text | Google Scholar
8. Tepper OM, Rudy HL, Lefkowitz A, Weimer KA, Marks SM, Stern CS, et al. Realidade misturada com HoloLens: onde a realidade virtual se encontra com a realidade aumentada na sala de operações. Plast Reconstruct Surg. (2017) 140:1066-70. doi: 10.1097/PRS.0000000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9. Mishkind MC, Norr AM, Katz AC, Reger GM. Revisão do tratamento da realidade virtual na psiquiatria: evidência versus difusão e uso atual. Currículo Psiquiatria Rep. (2017) 19:80. doi: 10.1007/s11920-017-0836-0
PubMed Abstract | CrossRef Full Text | Google Scholar
10. Malloy KM, Milling LS. A eficácia da distracção da realidade virtual para a redução da dor: uma revisão sistemática. Clin Psychol Rev. (2010) 30:1011-8. doi: 10.1016/j.cpr.2010.07.001
PubMed Abstract | CrossRef Full Text | Google Scholar
11. Haag M, Igel C, Fischer MR, Sociedade Alemã de Educação Médica (GMA) “Digitalização – Ensino e Aprendizagem Assistida em Tecnologia” grupo de trabalho conjunto “Ensino e Aprendizagem em Medicina (TeLL) com base em tecnologias” da Associação Alemã de Biometria e Epidemiologia da Informática Médica (gmds) e da Sociedade Alemã de Informática (GI). O ensino digital e a medicina digital: é necessária uma iniciativa nacional. GMS J Med Educ. (2018) 35:Doc43. doi: 10.3205/zma001189
PubMed Abstract | CrossRef Full Text | Google Scholar
12. Chaiyachati KH, Shea JA, Asch DA, Liu M, Bellini LM, Dine CJ, et al. Avaliação da alocação de tempo de internação entre residentes de medicina interna do primeiro ano utilizando observações em movimento de tempo. JAMA Int Med. (2019) 179:760-7. doi: 10.1001/jamainternmed.2019.0095
PubMed Abstract | CrossRef Full Text | Google Scholar
13. West CP, Dyrbye LN, Shanafelt TD. Queimaduras médicas: contribuidores, consequências e soluções. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. Cuidados de saúde em 2030: a inteligência artificial vai substituir os médicos? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Topol EJ. Medicina de alto desempenho: a convergência da inteligência humana e artificial. Nat Med. (2019) 25:44-56. doi: 10.1038/s41591-018-0300-7
PubMed Abstract | CrossRef Full Text | Google Scholar
16. Verghese A, Shah NH, Harrington RA. O que este computador precisa é de um médico: humanismo e inteligência artificial. JAMA. (2018) 319:19-20. doi: 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17. Preço WN, Gerke S, Cohen IG. Responsabilidade potencial para médicos que usam inteligência artificial. JAMA. (2019) 322:1765-6. doi: 10.1001/jama.2019.15064
CrossRef Full Text | Google Scholar
18. Briganti G. Nous Devons Former des Médecins ≪ augmentés ≫. Le Specialiste. (2019) Disponível online em: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (acedido a 26 de Outubro de 2019).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Avaliação de amostras de ritmo cardíaco remoto usando o monitor cardíaco AliveCor para triagem de fibrilação atrial: o estudo REHEARSE-AF. Circulação. (2017) 136:1784-94. doi: 10.1161/CIRCULATIONAHA.117.030583
PubMed Abstract | CrossRef Full Text | Google Scholar
20. Turakhia MP, Desai M, Hedlin H, Rajmane A, Talati N, Ferris T, et al. Raciocínio e desenho de um estudo em larga escala, baseado em aplicativos para identificar arritmias cardíacas usando um smartwatch: o estudo do coração da maçã. Ame Heart J. (2019) 207:66-75. doi: 10.1016/j.ahj.2018.09.002
PubMed Abstract | CrossRef Full Text | Google Scholar
21. Raja JM, Elsakr C, Roman S, Cave B, Pour-Ghaz I, Nanda A, et al. Relógio de maçã, wearables e ritmo cardíaco: qual é a nossa posição? Ann Trans Med. (2019) 7:417. doi: 10.21037/atm.2019.06.79.
PubMed Abstract | CrossRef Full Text | Google Scholar
22. Huang Z, Chan TM, Dong W. MACE predição da síndrome coronária aguda através do reforço da classificação da reamostragem usando registros médicos eletrônicos. J Biomed Inform. (2017) 66:161-70. doi: 10.1016/j.jbi.2017.01.001
PubMed Abstract | CrossRef Full Text | Google Scholar
23. Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra A, Li SX, et al. Análise de técnicas de aprendizagem de máquinas para readmissões de insuficiência cardíaca. Circ Cardiovasc Qual Outcomes. (2016) 9:629-40. doi: 10.1161/CIRCOUTCOMES.116.003039
PubMed Abstract | CrossRef Full Text | Google Scholar
24. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Aplicações da inteligência artificial em cardiologia. O futuro já está aqui. Revista Española de Cardiología. (2019) 72:1065-75. doi: 10.1016/j.rec.2019.05.014
PubMed Abstract | CrossRef Full Text | Google Scholar
25. Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, et al. A inteligência artificial supera a dos pneumologistas na interpretação de testes de função pulmonar. Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26. Delclaux C. Não há necessidade de os pneumologistas interpretarem os testes de função pulmonar. Eur Respirat J. (2019) 54:1900829. doi: 10.1183/13993003.00829-2019
PubMed Abstract | CrossRef Full Text | Google Scholar
27. Lawton J, Blackburn M, Allen J, Campbell F, Elleri D, Leelarathna L, et al. Experiências de pacientes e cuidadores de pacientes de uso contínuo da monitoração da glicose para apoiar o autogestão da diabetes: estudo qualitativo. BMC Desordem Endócrina. (2018) 18:12. doi: 10.1186/s12902-018-0239-1
PubMed Abstract | CrossRef Full Text | Google Scholar
28. Christiansen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. Precisão de um sensor de glicose contínua subcutânea de quarta geração. Diabet Technol Therapeut. (2017) 19:446-56. doi: 10.1089/dia.2017.0087
PubMed Abstract | CrossRef Full Text | Google Scholar
29. Niel O, Boussard C, Bastard P. A inteligência artificial pode prever o declínio da TFG durante o curso do ADPKD. Am J Kidney Dis Off J Natl Kidney Found. (2018) 71:911-2. doi: 10.1053/j.ajkd.2018.01.051
PubMed Abstract | CrossRef Full Text | Google Scholar
30. Geddes CC, Fox JG, Allison ME, Boulton-Jones JM, Simpson K. Uma rede neural artificial pode selecionar pacientes com alto risco de desenvolver nefropatia IgA progressiva de forma mais precisa do que nefrologistas experientes. Diálise de Nefrol, Transplante. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Niel O, Bastard P. Inteligência artificial em nefrologia: conceitos centrais, aplicações clínicas e perspectivas. Am J Kidney Dis. (2019) 74:803-10. doi: 10.1053/j.ajkd.2019.05.020
PubMed Abstract | CrossRef Full Text | Google Scholar
32. Yang YJ, Bang CS. Aplicação da inteligência artificial em gastroenterologia. Mundo J Gastroenterol. (2019) 25:1666-83. doi: 10.3748/wjg.v25.i14.1666
PubMed Abstract | CrossRef Full Text | Google Scholar
33. Fernández-Esparrach G, Bernal J, López-Cerón M, Córdova H, Sánchez-Montes C, Rodríguez de Miguel C, et al. Exploração do potencial clínico de um método de detecção automática do pólipo cólico baseado na criação de mapas energéticos. Endoscopia. (2016) 48:837-42. doi: 10.1055/s-0042-108434
PubMed Abstract | CrossRef Full Text | Google Scholar
34. Pace F, Buscema M, Dominici P, Intraligi M, Baldi F, Cestari R, et al. As redes neurais artificiais são capazes de reconhecer pacientes com doença de refluxo gastro-esofágico apenas com base em dados clínicos. Eur J Gastroenterol Hepatol. (2005) 17:605-10. doi: 10.1097/00042737-200506000-00003
PubMed Abstract | CrossRef Full Text | Google Scholar
35. Lahner E, Grossi E, Intraligi M, Buscema M, Corleto VD, Delle Fave G, et al. Possível contribuição de redes neurais artificiais e análise linear discriminante no reconhecimento de pacientes com suspeita de gastrite atrofiada do corpo. Mundo J Gastroenterol. (2005) 11:5867-73. doi: 10.3748/wjg.v11.i37.5867
PubMed Abstract | CrossRef Full Text | Google Scholar
36. Das A, Ben-Menachem T, Cooper GS, Chak A, Sivak MV, Gonet JA, et al. Predição do resultado em hemorragia gastrintestinal aguda inferior baseada em uma rede neural artificial: validação interna e externa de um modelo preditivo. Lanceta. (2003) 362:1261-6. doi: 10.1016/S0140-6736(03)14568-0
PubMed Abstract | CrossRef Full Text | Google Scholar
37. Sato F, Shimada Y, Selaru FM, Shibata D, Maeda M, Watanabe G, et al. Predição de sobrevida em pacientes com carcinoma esofágico utilizando redes neurais artificiais. Câncer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. Peng JC, Ran ZH, Shen J. Variação sazonal no início e recidiva da DII e um modelo para prever a freqüência de início, recidiva e severidade da DII baseado em rede neural artificial. Int J Colorect Dis. (2015) 30:1267-73. doi: 10.1007/s00384-015-2250-6
PubMed Abstract | CrossRef Full Text | Google Scholar
39. Ichimasa K, Kudo SE, Mori Y, Misawa M, Matsudaira S, Kouyama Y, et al. A inteligência artificial pode ajudar a prever a necessidade de cirurgia adicional após a ressecção endoscópica do câncer colorretal T1. Endoscopia. (2018) 50:230-40. doi: 10.1055/s-0043-122385
CrossRef Full Text | Google Scholar
40. Yang HX, Feng W, Wei JC, Zeng TS, Li ZD, Zhang LJ, et al. O nomograma de suporte vetorial baseado em máquina prevê metástase a distância pós-operatória para pacientes com carcinoma epidermoide escamoso esofágico. Br J Câncer. (2013) 109:1109-16. doi: 10.1038/bjc.2013.379
PubMed Abstract | CrossRef Full Text | Google Scholar
41. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Dispositivos multimodais usados no pulso para a detecção de apreensões e o avanço da pesquisa: foco nas pulseiras Empatica. Epilep Res. (2019) 153:79-82. doi: 10.1016/j.eplepsyres.2019.02.007
PubMed Abstract | CrossRef Full Text | Google Scholar
42. Bruno E, Simblett S, Lang A, Biondi A, Odoi C, Schulze-Bonhage A, et al. Wearable technology in epilepsy: the views of patients, careegivers, and healthcare professionals. Epilep Behav. (2018) 85:141-9. doi: 10.1016/j.yebeh.2018.05.044
PubMed Abstract | CrossRef Full Text | Google Scholar
43. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurologia e tecnologias móveis: o futuro dos cuidados neurológicos. Nat Rev Neurol. (2018) 14:285-97. doi: 10.1038/nrneurol.2018.31
PubMed Abstract | CrossRef Full Text | Google Scholar
44. Campanella G, Hanna MG, Geneslaw L, Miraflor A, Silva VWK, Busam KJ, et al. Patologia computacional de grau clínico usando aprendizagem profunda e pouco supervisionada em imagens de slides inteiros. Nat Med. (2019) 25:1301-9. doi: 10.1038/s41591-019-0508-1
PubMed Abstract | CrossRef Full Text | Google Scholar
45. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. Uma comparação de desempenho de aprendizagem profunda contra profissionais de saúde na detecção de doenças por imagens médicas: uma revisão sistemática e uma meta-análise. Lancet Digit Health. (2019) 1:e271-97. doi: 10.1016/S2589-7500(19)30123-2
CrossRef Full Text | Google Scholar
46. Panch T, Mattie H, Celi LA. A “verdade inconveniente” sobre a IA nos cuidados de saúde. NPJ Digit Med. (2019) 2:1-3. doi: 10.1038/s41746-019-0155-4
PubMed Abstract | CrossRef Full Text | Google Scholar
47. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Desafios chave para proporcionar impacto clínico com inteligência artificial. BMC Med. (2019) 17:195. doi: 10.1186/s12916-019-1426-2
PubMed Abstract | CrossRef Full Text | Google Scholar
48. Mittelstadt B. Ética da Internet das coisas relacionadas à saúde: uma revisão narrativa. Ethics Informat Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Williamson JB. Preservando a confidencialidade e a segurança das informações sobre os cuidados de saúde dos pacientes. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Montgomery J. Partilha de dados e a ideia de propriedade. Novo Bioeth Multidisciplinar J Biotechnol Body. (2017) 23:81-6. doi: 10.1080/20502877.2017.1314893
PubMed Abstract | CrossRef Full Text | Google Scholar
51. Rodwin MA. O caso da propriedade pública dos dados dos pacientes. JAMA. (2009) 302:86-8. doi: 10.1001/jama.2009.965
PubMed Abstract | CrossRef Full Text | Google Scholar
52. Mikk KA, Sleeper HA, Topol EJ. O caminho para a propriedade dos dados do paciente e uma melhor saúde. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. Brouillette M. AI adicionado ao currículo para os futuros médicos. Nat Med. (2019). 25:1808-9. doi: 10.1038/s41591-019-0648-3
PubMed Abstract | CrossRef Full Text | Google Scholar
54. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. Uma pesquisa sobre inteligência ambiental nos cuidados de saúde. Proc IEEE Inst Inst. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
Deixe uma resposta