As tecnologias modernas tornam os sistemas de computadores cada vez mais “inteligentes”. Em particular, o aprendizado de máquina é usado pelo Facebook, Google, Amazon - por exemplo, para converter fala em texto, reconhecer rostos e oferecer publicidade personalizada. As mesmas tecnologias ajudam médicos de várias especialidades. Nos EUA, o aprendizado de máquina e uma forma fraca de IA estão sendo planejados para combater a bactéria perigosa
Clostridium difficile . A Wikipedia diz que a bactéria é o agente causador da colite pseudomembranosa, uma grave doença intestinal infecciosa que pode levar à morte de uma pessoa com um corpo enfraquecido.
Os pacientes hospitalares pertencem apenas à categoria de pessoas com um corpo enfraquecido, quase incapaz de lidar com vírus e bactérias patogênicos. Somente nos EUA, são registrados 453 mil casos de colite por ano, com 29.000 casos que levam à morte do paciente. De qualquer forma, esses dados foram fornecidos no
relatório de 2015 . Os métodos médicos usuais não ajudam a parar a infecção - lavar as mãos, pisos, anti-sépticos, etc. não é muito eficaz.
Por esse motivo, os médicos decidiram usar outros métodos diretamente relacionados às tecnologias modernas, discutidos acima. A equipe da Universidade de Michigan desenvolveu um método para prever a probabilidade de colite em diferentes pacientes. Para isso, são utilizados dados médicos do cartão de uma pessoa. Até agora, a tecnologia foi testada apenas, mas já mostrou excelentes resultados.
Algumas semanas atrás, 374.000 internações hospitalares em um hospital de Massachusetts
foram analisadas usando uma técnica criada por cientistas da computação. Os cientistas querem encontrar uma conexão entre a ocorrência da doença e os fatores que levaram à doença.
Durante a análise, a máquina verifica cerca de 4000 fatores diversos, incluindo a localização da cama do paciente, suas visitas ao médico, a localização das camas de outros pacientes e todos os outros dados. Geralmente, os pacientes internados não estão no mesmo local, mas são deslocados pelo hospital. E se em algum lugar houver uma fonte de infecção, funcionará. O principal é identificar essa fonte a tempo.
Outro exemplo do uso de algoritmos de máquina na medicina é a análise da retina para a detecção de retinopatia diabética. A retinopatia é uma lesão dos vasos da retina, levando a uma violação do suprimento sanguíneo para a retina, sua degeneração, atrofia do nervo óptico e cegueira. Esta é uma doença comum para os diabéticos, que deve ser diagnosticada a tempo, para que as pessoas não percam a visão como resultado da retinopatia progressiva. É bastante comum - em 2011
, foram registrados cerca de 126 milhões de casos, até 2030, seu número poderia aumentar em 51%.
Os especialistas criaram uma rede neural, que foi treinada no exemplo de 128 mil imagens dos olhos dos pacientes na Índia e nos EUA. As mesmas imagens foram mostradas aos médicos que diagnosticaram retinopatia em diferentes estágios de desenvolvimento antes de se familiarizarem com o computador. Todos os dados recebidos foram baixados no computador. Depois que a rede neural passou por treinamento, ela foi verificada em um conjunto de dados diferente e, nesse caso, seus resultados foram superiores aos dos médicos.
Agora, a equipe de especialistas que desenvolveu essa ferramenta está planejando introduzi-la na Índia, onde há um grande número de pacientes com esse diagnóstico. E nos Estados Unidos ou em outros países, isso também é um problema. Atualmente, a tecnologia está passando por testes clínicos em vários hospitais da Índia.
No ano passado, o órgão regulador dos EUA aprovou a introdução de um aparelho especial para analisar imagens de ressonância magnética em hospitais. O dispositivo analisa a imagem em apenas 30 segundos, enquanto o médico passa cerca de 45 minutos no mesmo trabalho. "Esta é uma automação de processos de rotina que levam muito tempo para especialistas em uma situação normal", diz Karla Leibovitz, porta-voz da Arterys que desenvolveu esse sistema.
Em geral, o aprendizado de máquina e a IA estão se tornando mais difundidos na medicina. Basicamente, estamos falando sobre a automação de quaisquer processos rotineiros importantes para o diagnóstico da doença, mas que levam muito tempo para o médico. E quanto mais tempo um médico gasta nesse trabalho, mais ele se cansa. Como resultado, as mesmas imagens de raio-x são analisadas por uma pessoa com muito menos atenção depois de trabalhar por várias horas do que no início do trabalho. Consequentemente, a precisão do diagnóstico também diminui.