Vou reproduzir nesta coluna um artigo muito interessante publicado na ASH (American Society of Hematology) Daily em seu exemplar que antecedeu ao Congresso deste ano de 2024 de autoria de Akshat Jain (1) com algumas considerações e comentários. O campo da hematologia está abraçando o poder transformador da inteligência artificial (IA) tanto em diagnósticos quanto em terapêuticas. No entanto, mesmo para o hematologista do século XXI que tentou acompanhar o ritmo das aplicações de IA na medicina, a tecnologia está evoluindo em um ritmo vertiginoso.
Com essa ferramenta notável e poderosa, vem um conjunto único de considerações, especialmente no que se refere ao seu uso em pesquisa clínica e terapêutica em hematologia. À medida que tecnologias de IA, como redes neurais profundas e aprendizado de máquina, avançam rapidamente, elas trazem uma onda de inovação para a hematologia, particularmente em áreas como diagnóstico de doenças, previsão de prognóstico e medicina personalizada, incorporando sequenciamento de genoma para terapia de câncer.
A reunião anual da ASH deste ano lançará luz sobre o papel da IA na hematologia, fornecendo uma exploração abrangente de suas oportunidades significativas e riscos críticos.
A aplicação potencial da IA tanto para hematologia maligna quanto clássica será apresentada nas sessões resumidas abaixo. Além disso, a Sessão de Interesse Especial, O Papel da Inteligência Artificial na Prática da Hematologia: O Bom, o Mau e o Feio considerou as restrições, limitações e preocupações éticas associadas ao uso da IA em pesquisa, desenvolvimento de diretrizes e proteção da privacidade do paciente.
Na Hematologia maligna um resumo para se analisar é geração de dados sintéticos longitudinais multimodais por inteligência artificial para melhorar a medicina personalizada em hematologia , um projeto conduzido pela GenoMed4All e Synthema. O projeto do consórcio alavancou a IA generativa para criar dados sintéticos multimodais a partir de dados do mundo real de pacientes com neoplasias mieloides. Especificamente, o estudo explorou os desafios críticos do uso de dados do mundo real, como informações clínicas, citogenética, mutações somáticas e transcriptômica para desenvolver modelos preditivos mais eficazes e melhorar os resultados dos pacientes.
Ao gerar dados sintéticos por meio de estruturas avançadas de aprendizado de máquina, como a rede adversarial generativa condicional (GAN), o auto codificador variacional tabular (VAE) e as arquiteturas do transformador de pré-treinamento generativo tabular (GPT), os pesquisadores foram capazes de replicar as propriedades estatísticas e a complexidade dos dados reais dos pacientes, preservando a privacidade.
Novas abordagens diagnósticas como essas podem revolucionar a pesquisa e o atendimento clínico, permitindo testes de hipóteses, validação de modelos e a potencial aceleração de ensaios clínicos — tudo sem comprometer os dados do paciente.
É importante ressaltar que o estudo encontrou alta fidelidade entre os conjuntos de dados sintéticos e reais, bem como demonstrou assinaturas transcriptômicas e resultados de sobrevivência quase idênticos entre os dois, indicando a confiabilidade dos dados sintéticos gerados por IA para pesquisa clínica. Isso inspira confiança em modelos algorítmicos que alavancam a análise de dados para promover o design e a implementação de ensaios clínicos, economizando potencialmente muitas horas humanas por meio do aumento da eficiência.
No entanto, os riscos potenciais do uso de dados gerados por IA não são insignificantes. Apesar da fidelidade impressionante dos dados sintéticos, os desafios de garantir a precisão clínica e preservar as relações intrínsecas entre as camadas de dados permanecem significativos. Embora a IA generativa ofereça uma maneira inovadora de superar as limitações do acesso a dados do mundo real, particularmente para doenças raras, a complexidade e a variabilidade das condições hematológicas apresentam desafios significativos para a aplicação generalizada de dados gerados por IA na prática clínica. Além disso, as considerações éticas do uso desses dados sintetizados, como preocupações com a privacidade e o potencial de viés, não podem ser ignoradas.
Na Hematologia Clássica, uma sessão sobre risco de trombose e resultados apresentou o resumo, The AI-Mayo PE (AIM PE): Validation of an Artificial Intelligence Algorithm Using Electrocardiograms to Predict Pulmonary Emboli . Conduzido por uma equipe de pesquisadores da Mayo Clinic em Rochester, Minnesota, o estudo AIM-PE empregou um algoritmo baseado em IA para prever a presença de embolia pulmonar (EP) por meio de eletrocardiogramas (ECGs) em mais de 18.000 pacientes.
Enquanto a abordagem tradicional para diagnosticar EP depende fortemente de imagens, como tomografias computadorizadas (TC), o algoritmo AI-ECG demonstrou uma capacidade preditiva notável ao incorporar técnicas de aprendizado de máquina, combinando dados de ECG com níveis de dímero D para refinar a estratificação de risco, alcançando uma área sob a curva de 0,93 na previsão de EP. Essa abordagem pode reduzir significativamente a necessidade de exames de imagem, principalmente para pacientes com risco elevado, mas com resultados negativos para dímero D, aumentando a eficiência e a segurança do paciente ao reduzir a exposição desnecessária à radiação e aos agentes de contraste.
Outro exemplo de alavancagem de IA em hematologia será apresentado com o resumo, Can Machine Learning Supplant the Plasmic Score in Improving the Early Diagnosis of Thrombotic Thrombocytopenic Purpura? Ele explora a precisão de uma abordagem algorítmica para prever risco/probabilidade de doença. Para seu estudo, os pesquisadores empregaram um modelo de aprendizado de máquina que, em última análise, foi encontrado para atingir precisão preditiva, especificidade e sensibilidade aprimoradas com base em variáveis como metrificações hematológicas, lactato desidrogenase, creatinina, status de câncer, bilirrubina indireta, déficit neurológico, idade e histórico de transplante. Embora os benefícios potenciais da IA em hematologia sejam inegáveis, os riscos inerentes também são evidentes nesses estudos.
A dependência da IA para fins de diagnóstico e prognóstico traz preocupações sobre a transparência do modelo, interoperabilidade e o potencial dos algoritmos de perpetuar vieses existentes em dados de assistência médica. A IA aumenta a precisão do diagnóstico, mas ainda há necessidade de supervisão humana para garantir que os algoritmos não anulem o julgamento clínico.
Os riscos da dependência excessiva da IA, particularmente em ambientes de cuidados intensivos, são reais, e salvaguardas devem estar em vigor para mitigar o potencial de erros ou diagnósticos incorretos. Seria oportuno e prudente ter um órgão regulador supervisionando o desenvolvimento de modelos de IA para aprendizado de máquina, algoritmos de diagnóstico e proteção da privacidade do paciente. À medida que a IA continua a ganhar força na hematologia, seu potencial duplo como ferramenta para inovação e fonte de risco deve ser cuidadosamente gerenciado.
Os estudos apresentados no Congresso #ASH24 destacam a promessa notável dos avanços impulsionados pela IA (por exemplo, na medicina personalizada e no diagnóstico de doenças), bem como os desafios de garantir que essas tecnologias sejam aplicadas de forma segura, ética e eficaz.
A IA na hematologia é, sem dúvida, uma espada de dois gumes — capaz de cortar a complexidade da doença, mas apenas quando usada com cuidado e cautela.
Fonte: Hora Campinas
