Uso da inteligência artificial na área de saúde

A inteligência artificial (IA) vem sendo utilizada no setor de saúde por meio de algoritmos treinados por machine learning (ML) em três categorias principais: aplicação (ciências biológicas), provisionamento (prestadores de serviço) e consumo (planos de saúde).

Graças às inovações nesse tipo de machine learning (aprendizado de máquina) baseado em algoritmo, os casos de uso da inteligência artificial no setor de saúde agora vão além da natureza reativa comum a essa tecnologia. Essas inovações desempenham um papel muito importante na modernização e transformação do setor de saúde. 

Para analisar e usar os dados médicos, é essencial que eles sejam acessíveis e úteis. Só assim as organizações podem ter aplicações de serviços de saúde mais abrangentes, efetivas e eficazes.

Em termos gerais, é possível categorizar a IA em quatro tipos diferentes:

• Reativa: inteligência artificial onde o machine learning não é usado como ferramenta de aprimoramento. Esse tipo de IA reage da mesma maneira sempre que encontra uma situação idêntica.
• Memória limitada: usa o machine learning para criar algoritmos baseados em trabalhos anteriores. É nesse tipo de IA que muitas das inovações atuais acontecem. Também é por causa dele que a inteligência artificial costuma ser chamada de IA/ML. Além disso, há um subconjunto de machine learning chamado de deep learning, que envolve várias camadas de análise para extrair mais significado de dados brutos.
• IA baseada em teoria da mente: entende e lembra emoções, além de interagir com as pessoas de acordo com esse modelo. No momento, a inteligência artificial baseada em teoria da mente é em boa parte um conceito ou está ainda nos primeiros estágios do desenvolvimento.
• IA autoconsciente ou "verdadeira": está ciente das próprias emoções e tem um grau de consciência similar ao do ser humano. No momento, a IA autoconsciente é apenas uma teoria.

Quando falamos da IA no setor de saúde, isso se refere principalmente às rápidas inovações feitas nos algoritmos e nas aplicações de inteligência artificial de memória limitada.

Novos avanços na área de inteligência artificial viabilizam uma importante transformação nos resultados aos pacientes. A inteligência artificial pode auxiliar médicos e outros profissionais de saúde a oferecer diagnósticos e tratamentos mais precisos. Esses avanços também podem ajudar os administradores a alocar recursos médicos com precisão e exatidão.

Essas vantagens beneficiam os três principais pilares do mercado de saúde (ciências biológicas, prestadores de serviço e planos de saúde) de diversas maneiras. Quando os médicos adquirem, distribuem e usam as informações mais recentes com eficiência, eles podem aprimorar o tratamento dos pacientes, filtrar os dados de diversas fontes com rapidez para gerenciar melhor as condições das pessoas e participar da previsão e identificação de novas doenças desde o começo. 

Com processos de dados mais distribuídos, os administradores podem priorizar e verificar melhor as solicitações de reembolso dos pacientes, além de otimizar todo esse processo. Assim, eles aumentam a precisão e a velocidade das informações comunicadas aos pacientes, clientes e prestadores de serviço. Em geral, com a inclusão de dados nos algoritmos do setor de saúde, é possível prever os riscos e aumentar a capacidade dos administradores de gerenciar e melhorar o serviço prestado às pessoas.

Confira a seguir algumas maneiras como a IA no setor de saúde ajuda os pacientes, os prestadores de serviços do setor e os planos de saúde:

Diagnóstico mais rápido
É possível acelerar o diagnóstico usando os insights de dados processados por algoritmos de IA e análises preditivas em tempo real. Assim, você oferece tratamento aos pacientes com mais rapidez, o que gera resultados melhores e diminui o uso geral de recursos na solução do problema. Um exemplo é a HCA Healthcare, uma das maiores prestadoras de serviços de saúde dos Estados Unidos. A empresa usou as soluções Red Hat para criar um sistema de análise preditiva em tempo real que aumenta a precisão e a velocidade da detecção da sepse, uma condição que pode ser fatal para o paciente.

Gerenciamento de reembolsos
As solicitações e os pagamentos de reembolsos médicos envolvem um nível de burocracia que exige muitas horas de trabalho. Além disso, cuidar de cada solicitação manualmente aumenta o risco de erros no processo, o que é ruim tanto para os pacientes que pedem o reembolso como para os prestadores que tentam equilibrar as contas. Com a IA, você automatiza o processo de documentação e aproveita recomendações úteis baseadas na análise de dados do gerenciamento de reembolsos. Isso acelera o processamento de reembolsos, aprimorando as experiências dos funcionários e clientes.

Fraudes, desperdícios e abusos
Com a automação de processos robóticos (RPA), você avalia uma grande quantidade de documentos aproveitando um nível de precisão e velocidade que o trabalho manual não oferece. Esses algoritmos também identificam desperdícios ou atividades fraudulentas e, conforme são aprimorados ao longo do tempo, ficam mais eficazes na hora de encontrar problemas.

Acesso ampliado às soluções de saúde
O diagnóstico auxiliado pela IA amplia os grupos de pacientes que podem receber os serviços. Por exemplo, na radiologia e diagnóstico por imagem, a IA possibilita que uma quantidade maior de profissionais interpretem os exames de ultrassonografia. Isso diminui os obstáculos para os especialistas e amplia a quantidade de pacientes que terá acesso à tecnologia.

Desenvolvimento de medicamentos
A criação de novos medicamentos exige a identificação das dosagens adequadas e das características apropriadas de entrega. Com ferramentas de IA para computador, é possível aprimorar ou até mesmo substituir as abordagens de tentativa e erro, criando modelos mais rápidos e eficientes para monitorar todo o processo. Isso acelera o desenvolvimento de novos medicamentos e gera economias tanto para as organizações farmacêuticas como para o cliente final.

Mesmo que a IA no setor de saúde ofereça diversas vantagens, a implementação dessa tecnologia envolve vários desafios complexos. Alguns deles incluem o seguinte:

Coleta operacional e gerenciamento de dados
Muitos desafios estão relacionados ao processo de coletar, analisar e aplicar os dados de saúde.

Para a IA gerar algoritmos relevantes corretamente, é necessário processar um grande volume de dados em tempo real. Por isso, o desafio da coleta de dados é multifacetado.

É preciso que o hardware, software e procedimentos de coleta de dados sejam inseridos nos fluxos de trabalho de saúde. Esses fluxos são baseados em estruturas específicas, hierarquias e determinados níveis de entradas manuais. Os dados de saúde são espalhados por redes diferentes e não são centralizados em um banco de dados. Em alguns casos, eles nem mesmo são digitalizados.

Para reduzir o atrito e fazer com que as organizações aproveitem ao máximo as implementações de IA e ML, é essencial alinhar todos os stakeholders diferentes no processo. Isso inclui cientistas de dados, TI, equipe de operações, profissionais de saúde, provedores, fornecedores de software independentes (ISVs), prestadores de serviço, entre outros. Para enfrentar esse desafio, os stakeholders precisam usar softwares ágeis que não dependam de fornecedores. Assim, é possível lidar melhor com os problemas e utilizar dados limpos e escaláveis que sejam compatíveis com vários ISVs.

Os dados precisam ser agrupados e convertidos em formatos úteis e interoperáveis que aceitem as informações coletadas de diversas fontes. Uma boa quantidade de largura de banda também é necessária para transmitir os dados de onde eles são coletados na rede. Além disso, o volume do armazenamento usado fica cada vez maior devido à enorme quantidade de dados coletados nos sistemas de saúde, principalmente no diagnóstico por imagem, IOMT, edge e muito mais.

A cloud computing oferece alto desempenho e capacidade para você superar esses desafios. No entanto, ela é inviável em muitos casos, principalmente nas áreas rurais que não contam com uma infraestrutura robusta de saúde e TI. Para superar esse desafio importante, você precisa de soluções econômicas para aprimorar as operações na edge da rede e analisar os dados na hora do atendimento.

Ao contrário das soluções proprietárias, o software open source empresarial com suporte da Red Hat é criado colaborativamente por milhares de desenvolvedores, incluindo pessoas da área de saúde que os usam e aprimoram para que eles atendam às necessidades do setor. Com uma abordagem modular e open source da Red Hat para IA/ML, os clientes podem operacionalizar os projetos de IA/ML com rapidez para aumentar a personalização, o controle dos stakeholders e a transparência. A abordagem open source flexível da Red Hat ajuda sua organização a:

• Agregar valor onde necessário, protegendo os investimentos atuais em TI. Com as parcerias e integrações da Red Hat, é possível acelerar e simplificar a implantação e o gerenciamento do ciclo de vida dos projetos de IA/ML. 
• Acessar um conjunto completo de tecnologias open source líderes do setor. Elas estão incluídas em uma solução de nuvem híbrida que oferece as funcionalidades de IA mais exigidas no mercado com relação a regras de negócios, automação de processos, eliminação de restrições, otimização empresarial e machine learning.
• Usar recursos avançados de conectividade de dados por meio da tecnologia inteligente de dados como serviço da Red Hat. Ela pode ser personalizada para atender às demandas de mandatos internos e externos que estão sempre mudando. 
• Escalar recursos baseados em plataforma e orientados por componentes flexíveis, oferecendo a repetibilidade e a segurança necessárias para acelerar a inovação.
• Adotar uma arquitetura prescritiva e flexível de integração e entrega contínuas (CI/CD) para simplificar os trabalhos de modelagem e treinamento do machine learning, de implantação e de melhorias contínuas (o que também é chamado de MLOps).

Confira alguns exemplos reais das soluções de saúde da Red Hat na prática:

HCA Healthcare: com sede em Nashville, Tennessee, essa empresa de saúde usa recursos de dados para encontrar soluções inovadoras para os desafios mais antigos do setor. Uma equipe multifuncional composta por médicos, cientistas de dados e profissionais de tecnologia da HCA Healthcare usou o Red Hat® OpenShift® Container Platform e o Red Hat Ansible® Automation Platform para criar uma solução de análise de dados preditiva em tempo real, o SPOT (Sepsis Prediction and Optimization of Therapy).

Boston Children’s Hospital: esse hospital usa o Red Hat OpenShift e os containers Linux® para aprimorar os recursos de saúde e ampliar a capacidade cognitiva dos médicos.

A Red Hat ajuda a sua organização a operacionalizar uma estratégia de inteligência artificial e machine learning com uma abordagem de plataforma open source. Para descobrir como fazemos isso ou para aprender mais sobre outras soluções e inovar no setor de saúde, visite redhat.com/health.