Machine learning é um ramo da computação que permite aos computadores aprender e reconhecer novos padrões sem serem especificamente programados para isso. Dessa forma, a partir de um banco de dados históricos, os computadores podem fazer previsões sobre os acontecimentos futuros.
Há alguns anos, o machine learning já é utilizado em aplicações digitais, como na filtragem de spams, na categorização de e-mails, no reconhecimento ótico de caracteres, dentre muitas outras finalidades. Mais recentemente, Google, Apple e Microsoft têm utilizado machine learning em seus assistentes virtuais – como Siri e Cortana – para oferecer serviços extremamente personalizados ao usuário. Também através do machine learning, plataformas como o Facebook e o Google Photos são capazes de reconhecer faces, lugares e objetos. Como não poderia deixar de acontecer, essa tecnologia chegou no setor de saúde e medicina prometendo mudar completamente a forma como diagnosticamos, tratamos e acompanhamos o paciente atualmente.
O uso mais comum do machine learning em medicina é a predição de risco. Atualmente, a maioria dos métodos de predição de risco baseia-se em modelos de regressão, método que embora apresente bons resultados, está limitado ao uso com apenas pequenos números de variáveis. O machine learning, por sua vez, permite a análise de inúmeras variáveis simultaneamente e de maneira mais prática que os modelos de regressão atuais. Considerando que praticamente quaisquer tipos de dados – desde o ritmo cardíaco aos achados de ecocardiograma, passando também por imagens histológicas – podem ser utilizados nesses modelos computacionais, é possível realizar diagnósticos em praticamente quaisquer níveis hospitalares, da patologia à clínica, com destaque para a radiologia.
Um recente estudo no Journal of Patient Preference and Adherence demonstrou que técnicas de machine learning foram capazes de prever riscos cardiovasculares com uma acurácia maior do que 98%, superando em quase cinco vezes a capacidade do tradicional score de Framingham. Outro recente estudo, publicado no JAMA Cardiology, demonstrou que algorítmos de machine learning foram o método mais eficaz de predizer casos de insuficiência cardíaca a partir de dados textuais de prontuários eletrônicos. Em um terceiro estudo deste ano, publicado no Circulation Cardiovascular Imaging, demonstrou-se que através de um algoritmo cognitivo para imagens cardíacas (ecocardiogramas) foi possível diferenciar pericardite constrictiva de cardiomiopatía restritiva com uma acurácia de 96.2%, o que já é mais do que o esperado a partir do diagnóstico feito por um médico.
O machine learning está chegando progressiva e exponencialmente para fazer parte do leque de opções do médico e do cirurgião no momento de diagnosticar, tratar e acompanhar seus pacientes. Juntamente com as facilidades trazidas pela tecnologia, acompanha-se o potencial de substituição do profissional de saúde pela máquina. Por mais que esse cenário leve tempo para se tornar realidade e enfrente uma série de restrições legais e culturais – tanto por parte dos médicos quanto dos pacientes – é algo que deverá acontecer. Para o alívio dos cirurgiões, ainda não existem máquinas capazes de realizar o trabalho artesanal e personalizado que caracteriza uma cirurgia, em especial a cirurgia cardiovascular.
REFERÊNCIAS
- Goldstein BA et al. Moving beyond regression techniques in cardiovascular risk prediction: applying machine learning to address analytic challenges. Eur Heart J. 2016
- Narain R et al. Cardiovascular risk prediction: a comparative study of Framingham and quantum neural network based approach. Patient Prefer Adherence. 2016
- Blecker S et al. Comparison of Approaches for Heart Failure Case Identification From Electronic Health Record Data. JAMA Cardiol. 2016
- Sengupta PP et al. Cognitive Machine-Learning Algorithm for Cardiac Imaging: A Pilot Study for Differentiating Constrictive Pericarditis From Restrictive Cardiomyopathy. Circ Cardiovasc Imaging. 2016
