ABC | Volume 114, Nº4, Abril 2020

Artigo de Revisão Marques et al. Inteligência Artificial em Cardiologia Arq Bras Cardiol. 2020; 114(4):718-725 Figura 2 – Ilustração principal. Lembre-se: Lembre-se: "lixo na entrada, lixo na saída" “GPU pode ser útil” Escolha do modelo matemático Dados Saudáveis (BIG Data) Problema Real SVM, NB, KM, DAM, AG, RF, ... K-means, ANN, (perceptron, RBF, aprendizagem profunda, redes convolucionais ...) Outras arquiteturas e outros modelos “Quem corre é o cavalo, você precisa ser o jóquei” C7: Cuidados baseados em dados C6: Lidando com erros C5: O provérbio africano C1: Mau uso C2: Melhore o conhecimento matemático C3: Obtenha dados saudáveis Desafios C4: Obtenha segurança Implementação Análise de resultados, consistência e adequação dos modelos Dados laboratoriais, dados clínicos (EHR), dados omics, dados de imagem Outras fontes de dados, dispositivos “vestíveis”, IOT Portanto, essa escolha depende de diversas variáveis, como a natureza do problema em análise, o tempo e os recursos disponíveis para resolvê-lo. A combinação de técnicas que geram modelos híbridos também pode ser de grande valor. Por outro lado, o uso de ferramentas para processamento paralelo, como as GPUs ( Graphic Processing Units ), tem sido de grande valia para melhorar o desempenho dos modelos de ML, principalmente em relação ao tempo computacional necessário para executá-los. Desafios e perspectivas futuras Como destacado anteriormente, as aplicações de IA em cardiologia aumentaram bastante nos últimos anos e seu potencial de crescimento é enorme. No entanto, esse cenário traz consigo a necessidade de superar alguns desafios, tais como: limites éticos de uso (uso indevido), aprimoramento do conhecimento matemático, aquisição de dados saudáveis, desenvolvimento de segurança, necessidade de colaboração, atenção a erros e cuidados baseados em dados. Tudo isso é discutido abaixo e está resumido na Figura 2. a) Desafio 1 – limites éticos de uso (uso indevido): como toda tecnologia disruptiva, os limites da ética precisam ser repensados e amplamente discutidos. Os algoritmos de ML podem ser mal utilizados e enganosos. Como exemplo, uma obra de grande repercussão foi publicada por Wang e Kosinski (2018). Os autores usaram aprendizado profundo e obtiveram resultados expressivos para prever se um indivíduo é gay ou não em um banco de dados de imagens dos rostos dos participantes do estudo. 55 De maneira similar, os mesmos algoritmos de IA podem ser utilizados para detectar, por exemplo, se um paciente desenvolverá ou não fibrilação atrial ou qualquer cardiomiopatia futura. Essas informações poderiam ser utilizadas pelas empresas para aumentar os valores de seus planos de saúde ou até mesmo negar a associação ao plano devido a um alto custo? E se for detectado que umbebê nascerá com doença cardíaca congênita devido à análise dos dados genéticos, clínico-laboratoriais e de imagem (ou outros) de seus pais? Isso poderia abrir espaço para um tipo de neoeugenia. Esse debate ganhou uma ênfase adicional com o surgimento da técnica CRISP-Cas9, que permite a edição do DNA. 56 Nesse contexto, ao estimular um debate com a sociedade sobre o assunto, a transparência e a regulamentação são pilares fundamentais a serem preservados. b) Desafio 2 – melhorar o conhecimento de matemática: o advento desse novo tipo de ser humano inacreditável ( Homo incredibile ), que apoia suas decisões em dados, carrega consigo o papel fundamental da matemática e da 722