ABC | Volume 112, Nº4, Abril 2019

Editorial Ribeiro e Oliveira Cardiologia guiada por dados e centrada no paciente Arq Bras Cardiol. 2019; 112(4):371-373 Quadro 1 – Exemplos de estudos recentes com aplicações de inteligência artificial (IA) implementadas em cardiologia 8-13 Artigo Publicação Emprego da IA na cardiologia Machine learning of three-dimensional right ventricular motion enables outcome prediction in pulmonary hypertension: a cardiac MR imaging study 8 Dawes TJW et al. MR imaging study Radiology 2017;283(2):381-90 Avaliação de desfechos na hipertensão arterial pulmonar baseada em algoritmo de acurácia elevada derivado da ressonância nuclear magnética Differences in repolarization heterogeneity among heart failure with preserved ejection fraction phenotypic subgroups 9 Oskouie SK et al Am J Cardiol 2017;120(4):601–6 Identificação de padrões fenotípicos para a insuficiência cardíaca com fração de ejeção preservada e prognóstico desfavorável Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram 10 Attia ZI Nat Med. 2019 Jan;25(1):70-74 Aplicação da IA à eletrocardiografia para identificar pacientes com disfunção ventricular esquerda Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients 11 Goto S et al PLoS ONE 201914(1):e0210103 Predição de revascularização urgente em pacientes com dor torácica na emergência Fast and accurate view classification of echocardiograms using deep learning 12 Madani, A.. et al NPJ Digit. Med. 2018 1, 6,.24 Emprego da IA para interpretação de eletrocardiograma com boa acurácia Fully automated echocardiogram interpretation in clinical practice feasibility and diagnostic accuracy 13 Zhang, J. et al. Circulation 2018 138, 1623–35 Medições automatizadas de variáveis ecocardiográficas comparáveis ou superiores às realizadas com método manual Quadro 2 – Premissas para nortear a futuro da inteligência artificial (IA) na medicina • O paciente deve ser considerado o centro para a implementação de qualquer nova tecnologia. • A incorporação dessas novas tecnologias para diagnóstico e tratamento deve ocorrer quando houver uma robusta validação de sua eficácia clínica. • O emprego de ferramentas digitais e algoritmos de decisão pelos pacientes deve ser mais uma opção para os pacientes que se sentirem habilitados. • O treinamento interdisciplinar precisará ser realizado envolvendo profissionais de saúde, engenheiros, cientistas da computação e bioinformáticos, que irão minimizar as dificuldades de implementação da nova tecnologia. Adaptado de Topol EJ 16 continuarão a ser necessários para comprovação de hipóteses e definição de causalidade. Por outro lado, boa parte dos algoritmos utilizados funciona no princípio da “caixa preta”, sem permitir ao usuário da informação saber os motivos pelos quais um diagnóstico ou recomendação foi gerada, o que pode ser um problema, especialmente se os algoritmos foram desenhados para um ambiente diferente do que o seu paciente se insere. Questões éticas, de privacidade e de segurança da informação ainda estão longe de serem resolvidas. As questões referentes ao custo e ao custo-efetividade dos projetos de AI em saúde devem ser consideradas precocemente, dados os elevados gastos nesse setor. Topol, 16 em revisão recente, salientou as premissas que devem nortear a futura aplicação da IA em saúde (Quadro 2). 16 Se a maior disponibilidade de dados e de novas técnicas de IA permitir obter diagnósticos e prognósticos mais precisos e tratamentos personalizados, vários aspectos da prática em saúde ainda continuarão a depender de outras dimensões, como a política, a econômica e a cultural, e da habilidade dos profissionais de saúde de interagirem com os pacientes e com a comunidade. A questão da desigualdade do acesso à saúde ainda é crítica no Brasil e nos países em desenvolvimento, e exige desde grandes investimentos até a melhoria da organização do sistema de saúde. Mesmo quando os serviços de saúde e diretrizes baseadas em evidência estão disponíveis, para condições comuns e relevantes, como hipertensão e diabetes, o gap de implementação é gigantesco e as melhores práticas não são absorvidas pelos profissionais de saúde, ou as medidas recomendadas não são realizadas pelos pacientes e seus familiares. A implementation science , desenvolvida nas últimas décadas, mostra-se tão importante como a data science para o reconhecimento dos gargalos ( bottlenecks ) que impedem a utilização plena de medidas preventivas e terapêuticas que garantam o benefício para os pacientes, que poderão viver mais e melhor, utilizando todo o conhecimento disponível. 17 Assim, a medicina personalizada e a IA prometem fornecer uma ferramenta poderosa de gestão de dados complexos e personalizados em saúde, que só será eficaz se utilizada no contexto da arte de cuidar e da relação médico-paciente, permitindo que se atinja um novo paradigma da medicina baseada em dados mas centrada no paciente. Caberá aos médicos e profissionais de saúde a responsabilidade de avaliar e aprender as novas técnicas, ampliando os recursos disponíveis de modo a beneficiar os pacientes de forma plena, não apenas em sua condição física, mas também em sua condição mental e espiritual, minimizando o sofrimento decorrente do processo de adoecimento. 18 372