Dalton Costa
Aug 26 · 18 min read

Photo by Geralt on Pixabay

Introdução

Imagine que você tem um paciente com um quadro clínico importante e você, como um profissional pragmático, prescreve todos tratamentos e procedimentos que funcionaram para a maioria das pessoas. Você pede para o paciente voltar em alguns dias para reavaliar os efeitos dos tratamentos e percebe que não houve um efeito satisfatório. Então, você oferece novos tratamentos e pede para ele retornar. Assim, você vai repetindo este ciclo de tentativa e erro até encontrar os procedimentos terapêuticos ideais para esse paciente.

Essa situação se repete nos consultórios há muitos anos, especialmente quando se trata de casos refratários (quando o paciente não corresponde aos tratamentos convencionais). No entanto, essa situação de tentativa e erro traz ao paciente maiores custos e muitas vezes mais sofrimento. Diante da gama de possibilidades terapêuticas, como seria bom poder prever qual o tipo de tratamento é mais indicado para o meu paciente, sendo esta indicação precisa e contemplando a singularidade do meu paciente. Além disso, seria muito bom se pudéssemos prever quais os riscos e os efeitos colaterais que determinado tratamento pode trazer ao paciente.

Pois bem, tenho boas notícias! As técnicas de Inteligência Artificial (IA) podem auxiliar nesses processos de previsão e tomada de decisão dos profissionais da saúde. Na verdade, esta notícia não é tão nova assim e por isso precisamos, mais do que nunca, perder o medo de falar sobre IA nas ciências da saúde, desconstruir estereótipos e entender o que realmente é IA.

Este texto é para você que quer entender melhor como é possível conciliar IA e ciências da saúde. Para fins didáticos, vamos limitar os exemplos e discussões nas áreas da psicologia e psiquiatria, pois são as áreas que mais estudo. Porém, alguns conceitos centrais podem ser generalizados para outras áreas da saúde.

Tópicos

Este artigo abordará os seguintes tópicos:

  • Desconstruindo Mitos
  • Afinal, o que é Inteligência Artificial?
  • Medicina Baseada em Evidências e Inteligência Artificial
  • Como a IA pode contribuir na psicologia e psiquiatria?
  • Entendendo e Construindo Novos Diagnósticos
  • Predição de Resposta a um Determinado Tratamento
  • Diagnósticos de Transtornos Mentais Auxiliado por Exames de Imagem
  • Avaliação Psicológica
  • Predição de Comportamento de Risco
  • Análise de Texto
  • Limitações e Cuidados
  • Conclusão

Desconstruindo Mitos

Antes de dizer o que é exatamente IA, vamos tentar desconstruir alguns mitos que podem atrapalhar a discussão e desenvolvimento da IA nas ciências da saúde:

  1. Algumas pessoas acreditam que IA é somente o desenvolvimento de robôs e que estes irão dominar e destruir a humanidade. Como afirmado pelo professor Clécio de Bom, esta visão estereotipada está muito distante de se concretizar. O que realmente precisamos é estudar e entender melhor o que é a IA e termos a consciência de que toda nova tecnologia tem lado bom e ruim.
  2. Outras pessoas acreditam fortemente que IA é a “reinvenção da roda” ou que estas técnicas irão substituir as técnicas estatísticas tradicionais. Apesar do grande potencial da IA, as técnicas estatísticas tradicionais são ainda muito importantes e necessárias para as ciências da saúde. IA é mais uma técnica entre as outras existentes e não necessariamente é a melhor, tudo irá depender do seu objetivo e o seu contexto.
  3. Quando começamos a nos aventurar pelo mundo da IA nos deparamos com dois dos pilares da IA: linguagem de programação e conceitos estatísticos. A maioria dos profissionais da saúde não gosta desse assunto e muitas vezes desiste. É fato que a formação destes profissionais são precárias nestes quesitos, mas por outro lado, temos muitos recursos na internet para aprender gratuitamente conceitos estatísticos e até ferramentas para utilizar recursos de IA sem programação, como o Orange. Aprender como utilizar IA está cada vez mais acessível e qualquer pessoa pode aprender.

Afinal, o que é Inteligência Artificial?

O campo da IA teve o seu marco-zero na Conferência de Dartmouth, no ano de 1956, e o termo IA foi cunhado pelo professor universitário John McCarthy nesse mesmo evento. Como podemos perceber, os trabalhos com IA não são recentes e desde então houve diferentes modelos teóricos tentando descrever essa área. Em linhas gerais, podemos entender IA como a capacidade de uma máquina aprender, raciocinar, perceber, deliberar e decidir de forma inteligente e racional.*

No entanto, IA é um campo amplo que comporta outras tecnologias, como: Machine Learning (ML) e Deep Learning (DL). Isso pode ser confuso, especialmente porque é uma área que ainda está em constante expansão. Para simplificar, vamos imaginar uma galáxia chamada “Inteligência Artificial”, essa galáxia tem um sistema solar chamado “Machine Learning” e neste sistema solar há um planeta chamado “Deep Learning”. Assim, podemos perceber que DL é uma subdivisão de ML, sendo que ML é uma subdivisão de IA. Existem ainda outras subdivisões de IA (sistemas solares), como: processamento de linguagem natural, robótica e visão computacional.

Medicina Baseada em Evidências e Inteligência Artificial

Nas últimas décadas, a Medicina Baseada em Evidências (MBE) tem fomentado a formação e a prática clínica de muitos profissionais da saúde. A MBE é prática da medicina integrada e baseada em evidências científicas, não aceitando métodos e práticas clínicas sem um embasamento científico. Tradicionalmente, os tratamentos clínicos são testados utilizando Ensaios Clínicos Randomizados (ECR) e a eficácia desse tratamento é avaliada com base na comparação de grupos.

Por exemplo, você quer testar se um novo medicamento pode ter algum efeito sobre a depressão, então, você recruta vários pacientes para participar do seu estudo e os divide em dois grupos de forma aleatória. O primeiro grupo receberá o seu medicamento e o segundo grupo receberá um placebo (grupo controle). Depois de algum tempo recebendo o tratamento, você compara os resultados alcançados pelo grupo que recebeu o medicamento e o grupo controle, assim, a partir deste experimento você pode encontrar evidências de que o medicamento tem algum efeito sobre a depressão.

Trabalhar com ECR é muito mais complexo do que foi descrito e exige uma série de cuidados metodológicos por parte do pesquisador. Apesar de todo o esforço e cuidado dos pesquisadores, esses estudos podem apresentar limitações, como por exemplo as amostras recrutadas podem apresentar pouca diversidade e, portanto, acabam por falhar na tentativa de representar a complexidade das características da população alvo. Consequentemente, não é possível realizar uma generalização desses tratamentos para todas pessoas. Além disso, a generalização também é afetada pelo fato de não considerar as características individuais de cada indivíduo, mas sim, o que funcionou para a maioria dentro de um grupo.

Representação das etapas de um delineamento do ECR elaborado por Menezes e Santos.

Quando falamos de características individuais, estamos falando de sexo, raça, características socioeconômicas e culturais, histórico clínico prévio, características genéticas, etc., ou seja, tudo aquilo que nos torna único e que reflete no ambiente clínico como um grande desafio para o profissional da saúde em tornar o tratamento do paciente personalizado e efetivo. Esse desafio começa a ser enfrentado com o surgimento da Medicina de Precisão, um modelo que busca práticas e métodos de tratamento que considera as características biológicas (biomarcadores), características ambientais e o histórico prévio de cada paciente no momento da escolha do tratamento.

Esse cenário de medicina precisa é almejado por muitos pacientes e profissionais, mas quando paramos para pensar em como desenvolver novos tratamentos seguindo as diretrizes da Medicina de Precisão percebemos que os métodos tradicionais de pesquisa, muitas vezes, não são suficientes para lidar com a quantidade de variáveis que um quadro patológico de um determinado grupo e seus sucessivos subgrupos possuem. Para resolver isso, muitos pesquisadores da área da saúde têm implementado em suas pesquisas recursos de IA para lidar com a complexidade dos dados nas ciências da saúde.

O crescente interesse de pesquisadores da área da saúde pelos recursos de IA é fácil de ser visualizado em uma simples pesquisa na PubMed (uma das plataforma mais importantes que reúne diversos artigos científicos da área da saúde). O gráfico a seguir apresenta o crescente número de publicações na plataforma que tenham no título ou no resumo do artigo a palavra “machine learning”. Especificando ainda mais essa pesquisa fiz mais duas buscas. Primeiramente, busquei artigos que continham no título ou no resumo as palavras machine learning e psychiatric. Já a segunda pesquisa, realizei com os mesmos critérios, porém com as palavras machine learning e psychology”. Os resultados dessas pesquisas são apresentados na figura abaixo. Os dados apresentados são de artigos publicados até o início de agosto de 2019.

Uma das técnicas mais populares de IA são os algoritmos de ML, estes são formados por um conjunto de técnicas capazes de analisar uma grande quantidade de dados e também de reconhecer padrões e interações entre as variáveis. São algoritmos extremamente complexos e formados por diversos cálculos matemáticos, que criam modelos treinados com os padrões dos dados fornecidos. Diferentemente das técnicas tradicionais de análises estatísticas, em geral, não conseguimos explicar de forma simplista as tomadas de decisões e como o algoritmo de ML criou determinado modelo.

Para exemplificar as diferenças entre as análises feitas utilizando técnicas estatísticas tradicionais e análises com ML, vamos utilizar o exemplo do que o professor Alexandre Chiavegatto Filho chama de “inversão do interesse da reta de regressão”. Comumente, quando queremos entender quais são as variáveis independentes (𝛽) que influenciam determinada variável dependente (y), podemos fazer o cálculo por meio de uma regressão. Como resultado, queremos saber quais são as variáveis independentes mais importantes, quais variáveis influenciaram no modelo e quanto foi essa influência. No entanto, ao utilizar este modelo tradicional de regressão, o pesquisador terá o seu interesse e foco nos “Betas”, o que por sua vez torna o modelo limitado (quando há muitas covariáveis o desempenho da regressão pode ser afetado devido ao super-ajuste e à variância extremamente alta). Já o pesquisador que cria um modelo com técnicas de ML não terá seu interesse nos “Betas” e na explicação do modelo, mas sim focará na variável dependente e no seu resultado final. Essa técnica também suporta um número maior de variáveis no modelo. Para entender melhor essa comparação entre a estatística tradicional e algoritmos de ML recomendo a leitura do trabalho de Izbicki e Santos e também o artigo do Estatsite.

Pode parecer estranho o fato de ser tão difícil explicar os modelos gerados por ML, mas talvez esse aspecto, que poderia ser uma desvantagem, pode se tornar uma vantagem, afinal a vida e o mundo são complexos, logo, demandam técnicas complexas para serem compreendidos. A partir dos modelos criados utilizando IA, os dados de um paciente podem ser analisados e comparados com milhares de outros pacientes, padrões são encontrados e matematicamente uma decisão é tomada pelo algoritmo. Ao invés de apenas comparar grupos (como nos ECR), agora podemos comparar as características de um paciente com milhares de outros pacientes em segundos, o que poderá beneficiar o profissional da saúde na hora de tomar uma decisão mais precisa durante o atendimento com o paciente.

Como a IA pode contribuir na psicologia e psiquiatria?

Os transtornos mentais são quadros patológicos complexos e multifatoriais, o que torna a escolha da melhor linha de tratamento muito difícil. O diagnóstico de um transtorno mental também é complexo, demandando de um olhar clínico além das orientações dos manuais diagnósticos. Diferentemente de outras patologias, as doenças psíquicas não são diagnosticadas simplesmente por exames de sangue ou imagem. Dentro das ciências da saúde, a área que cuida da saúde mental é uma das mais imprevisíveis e complexas, devida a variedade e quantidade de informações que cada paciente possui. Além disso, é importante destacar que cada paciente vivencia o seu quadro clínico de forma subjetiva. Toda essa complexidade tem sido analisada nos últimos anos utilizando recursos de IA e os resultados são animadores, portanto, vou apresentar agora alguns exemplos de como a IA pode auxiliar no desenvolvimento de pesquisa em psiquiatria e psicologia.

Entendendo e Construindo Novos Diagnósticos

Até agora falamos muito sobre como a IA pode auxiliar na tomada de decisão do clínico e na escolha da melhor linha de tratamento para um paciente. Mas as contribuições da IA para a ciências da saúde não se limitam somente ao tratamento, podemos utilizá-la também para entender melhor doenças e até descobrir novas patologias. Como sugerido por Thomas Insel e Bruce Cuthbert, no artigo Brain disorders? Precisely, que referem a desconstrução dos diagnósticos tradicionais dos transtornos de humor. Tradicionalmente, os diagnósticos psiquiátricos são feitos de forma subjetiva, baseados em sinais e sintomas. Os pesquisadores sugerem reunir todos os grupos (pacientes com transtorno depressivo maior, transtorno bipolar, distimia, etc.) em um único grupo, realizar uma ampla coleta de dados (dados genéticos, atividades cerebrais, fisiológicos, comportamentais, experiência de vida) e então reconstruir os critérios diagnósticos utilizando diferentes técnicas, como as técnicas não supervisionadas de ML. Objetivo desse processo é criar novas categorias e subcategorias patológicas mais precisas e, consequentemente, possibilitar um tratamento mais personalizado ao paciente com transtorno de humor.

Imagem retida do artigo escrito por Thomas Insel e Bruce Cuthbert

Predição de Resposta a um Determinado Tratamento

Os recursos de IA têm origem no ambiente da informática, sendo que com o passar dos anos estas técnicas foram se popularizando para outras áreas, como no mercado financeiro e marketing. No setor financeiro, realizar boas previsões é fundamental para investir em um bom negócio e fazer o dinheiro investido render mais. O mesmo acontece no ambiente clínico, saber de antemão se um paciente (com todas suas características e particularidades) irá responder a um determinado tratamento, pode trazer ao paciente uma rápida melhora do seu quadro clínico e também economia do seu tempo e dinheiro.

Os mesmos algoritmos de IA utilizados em outras áreas como o financeiro e marketing, podem auxiliar na previsão se um paciente vai responder a determinado tratamento ou não. O estudo de Adam Chekroud e colaboradores objetivou desenvolver um modelo para identificar quais pacientes com depressão iriam alcançaram uma remissão sintomática depois de um ciclo de 12 semanas utilizando o Citalopram (antidepressivo). Os pesquisadores criaram um modelo preditivo utilizando o algoritmo de ML Gradient Boosting Machine. Os resultados do modelo mostraram que das 164 variáveis coletadas dos pacientes, 25 eram suficientes para prever qual paciente com depressão iria se beneficiar do Citalopram com 64,60% de acurácia, 62,80% de sensibilidade e 66,20% de especificidade.

Já o estudo realizado por Mansson e colaboradores buscou identificar qual paciente com transtorno de ansiedade social iria se beneficiar da Terapia Cognitiva Comportamental (TCC) analisando preditores neurais por meio de imagens de fMRI (imagem por ressonância magnética funcional). Utilizando o algoritmo de ML Support Vector Machine, criaram um modelo que aprendeu quais pacientes tiveram respostas a terapia ou não, com 91,70% de acurácia, 83,30% de sensibilidade e 100% de especificidade. Outro estudo parecido foi o realizado por Bo Cao e colaboradores, que conseguiu construir um modelo preditivo que foi capaz de prever com 82,50% de acurácia qual paciente com esquizofrenia iria se beneficiar do tratamento com Risperidona (antipsicótico). Além do tratamento, utilizaram as imagens de ressonância magnética e conseguiram construir um modelo capaz de identificar pacientes com esquizofrenia com 78,60% de acurácia.

Diagnóstico de Transtornos Mentais Auxiliado por Exames de Imagem

No tópico anterior falamos sobre o uso de imagens para prever qual paciente teria melhor resposta a um determinado tratamento. Já neste tópico vamos falar sobre como exames de imagem podem auxiliar no diagnóstico psiquiátrico. Mas antes, vamos entender brevemente como funciona o processamento de imagem pelo computador.

Uma imagem é formada por um conjunto de pixels (abreviação de picture element), cada pixel possui uma cor diferente e essa cor é determinada por números de uma matriz que mostra a intensidade da cor a ser exibida no pixel. Assim, ao percebermos que uma imagem digital é na verdade um grande conjunto de números, conseguimos entender um dos primeiros passos para trabalhar com processamento de imagem, que é a transformação de uma imagem em uma matriz de pixels, assim, possibilitando que o algoritmo de IA possa trabalhar e “ver” a imagem. Veja o exemplo a seguir de um modelo binário, onde o pixel com o valor 1 é a cor preta e 0 é a cor branca.

Por meio dos números, o algoritmo consegue perceber padrões de bordas, linhas e curvas da imagem, assim, conseguindo “enxergar” cada pedacinho da imagem e reconhecer padrões e anomalias. É seguindo esta lógica que os algoritmos de IA, como as Redes Neurais Convolucionais, conseguem aprender a reconhecer e classificar imagens.

Já é uma realidade em alguns laboratórios, como a Dasa, o uso de IA em análises de exames de imagem e no auxílio do diagnóstico médico. Algumas vezes, essas análises realizadas por modelos treinados com um grande banco de imagens, conseguem ter uma precisão diagnóstica igual ou superior a dos médicos. No entanto, essas análises, tradicionalmente, ocorrem com enfermidades orgânicas (como na detecção de tumores).

Sempre foi muito difícil encontrar indícios de um diagnóstico psiquiátrico apenas olhando exames de imagens, mas graças à precisão e à capacidade de processamento dos algoritmos de IA, já conseguimos encontrar esses indícios com maior acurácia. Como já demonstrado no estudo de David Schnyer e colaboradores, que utilizando o algoritmo de ML Support Vector Machine, conseguiu treinar um modelo que foi capaz de diferenciar participantes com diagnóstico de depressão maior dos participantes do grupo controle (sem diagnóstico de depressão) apenas utilizando exames de ressonância magnética com 74% de acurácia, 80% de especificidade e 68% de sensibilidade. Além disso, descobriram que o grau de precisão do modelo aumenta ao utilizar apenas medidas do hemisfério direito do cérebro. Outro estudo realizado por Hugo Schnack e colaboradores conseguiu treinar um modelo utilizando Support Vector Machine, que foi capaz de diferenciar participantes com diagnóstico de transtorno bipolar, esquizofrenia e participantes sem diagnóstico psiquiátrico utilizando exames de imagem.

Avaliação Psicológica

No campo da psicologia, há uma ampla área conhecida como avaliação psicológica cujo objetivo é entender o indivíduo utilizando técnicas específicas para compreender o seu comportamento, aspectos de personalidade, habilidades ou conflitos (internos ou externos). Durante o processo de avaliação, o psicólogo pode optar por utilizar testes psicológicos que são respaldados por uma série de normativas de aplicação e correção.

Os recursos de IA podem auxiliar psicólogos nesse processo de correção e interpretação, como os testes gráficos (tipo de teste cujo avaliando precisa realizar alguma atividade gráfica, como um desenho). Essa possibilidade já foi demonstrada no trabalho de Shahriar Nirjon e colaboradores, que treinou um modelo de rede neurais com 1000 imagens do teste neuropsicológico chamado Teste do Relógio e criou uma versão digital desse teste associado a mais duas atividades neuropsicológicas (repetir palavras e recordação de palavras). O produto final deste trabalho foi a criação de um aplicativo capaz de realizar triagens de quadros demenciais de forma automatizada e instantânea, com 99,53% de acurácia. Veja a apresentação do aplicativo MOBI-COG.

Outros tipos de instrumentos amplamente utilizados na psicologia e na psiquiatria são as escalas psicométricas, que são aqueles questionários que o respondente precisa marcar uma resposta que representa o quanto ele concorda com a afirmação ou representa algo sobre ele. O processo de construção dessas escalas segue uma série de etapas para assegurar que os itens possam realmente medir aquilo que se propõem. Ao final desse processo, algumas escalas podem ter muitos itens e isso pode se tornar uma característica negativa do instrumento, tornando o processo avaliativo mais demorado e incômodo para o respondente. Existem técnicas estatísticas tradicionais que podem auxiliar no processo de redução do número de itens, como as análises de Teoria de Resposta ao Item (TRI). No entanto, o uso de algoritmos de ML também tem demonstrado certo potencial para construirmos modelos capazes de dizer quais itens são importantes para medir o que uma escala se propõe.

Um exemplo deste processo de redução do número de itens foi relatado no estudo de J. Lötsch e colaboradores em um ambiente hospitalar, em que se buscou prever qual paciente iria sofrer de dor crônica após a cirurgia de câncer de mama. A previsão, tradicionalmente, era realizada por um conjunto de questionários psicológicos (instrumentos que avaliavam depressão, ansiedade e raiva), após a criação de um modelo utilizando o algoritmo de ML Random Forest, conseguiram prever com 63% de acurácia e 94% de Negative Predictive Value (NPV) quais pacientes iriam sofrer de dor crônica após a cirurgia utilizando apenas 10% de todos os itens coletados.

Predição de Comportamento de Risco

Os algoritmos de previsão também podem auxiliar na detecção de comportamento de risco de um paciente e saber quais são as variáveis mais preditoras desse comportamento. Como demonstrado no estudo de Ives Passos e colaboradores, que treinou um modelo capaz de prever qual a probabilidade de um paciente com transtorno de humor tentar suicídio com 72% de acurácia, 71,30% de especificidade e 72,10% de sensibilidade. As variáveis mais importantes para o modelo foram: hospitalizações prévias por depressão, história de psicose, comorbidade por dependência de cocaína e transtorno de estresse pós-traumático.

Outro estudo buscou identificar um perfil de risco, ou seja, quais as variáveis eram mais preditoras para prever quais adolescentes teriam problemas com abuso de álcool no futuro. Robert Whelan e colaboradores, utilizaram algoritmos de ML e conseguiram criar um modelo preditivo que reúne uma combinação de variáveis de histórico de vida, caraterísticas de personalidade e informações do cérebro para realizar a previsão de quais adolescentes teriam problemas com álcool no futuro.

Análise de Texto

O Processamento de Linguagem Natural (PLN) é um campo da IA que ajuda o computador a entender, interpretar e manipular a linguagem humana. As aplicações são abrangentes, indo desde a classificação de e-mails como spam até a criação de Chatbots (como os chats do Facebook). Na psicologia e psiquiatria, a pesquisa qualitativa nos permite obter mais informações e compreender com maior profundidade fenômenos psíquicos, no entanto esse tipo de pesquisa exige muito trabalho do pesquisador para analisar os dados.

As técnicas de PLN podem auxiliar nas análises de textos e obtenção de novos insights, como demonstrado no estudo desenvolvido por A. Rumshisky e colaboradores que analisou narrativas de pacientes internados com diagnóstico de depressão maior e a partir dos tópicos levantados pela analises PLN e outras variáveis conseguiram treinar um modelo preditivo que conseguiu prever qual paciente teria remissão a internação.

Uma outra técnica amplamente utilizada no PLN é a Análise de Sentimentos, que são algoritmos capaz de compreender o sentimento ou significado por trás de uma palavra. Como por exemplo, o algoritmo de análise de sentimento, previamente já configurado, entende que a palavra “amor” possui, em geral, uma conotação positiva e a palavra “horrível” uma conotação negativa. E foi utilizando desses recursos que Xinyu Wang e colaboradores, conseguiram detectar inclinações depressivas de usuários no Twitter com 80% de precisão.

Limitações e Cuidados

Como qualquer outra técnica, o recurso de IA não está livre de limitações e precisamos ter atenção sobre alguns aspectos. Vamos ver algumas deles:

  1. Ao analisar os estudos que utilizam técnicas de IA na área da saúde, muitos possuem boas métricas (acurácia, especificidade e sensibilidade), mas possuem um pequeno tamanho amostral. Quando se trata de aprendizagem de máquinas, quanto mais conhecimento e variedade de informação a máquina tiver acesso, melhor será a desempenho do modelo treinado. Para criar bons modelos é necessário um tamanho amostral relevante.
  2. Como recomendado por Ives Passos e colaboradores, a maioria dos estudos testam os modelos treinados utilizando o mesmo banco de dados, idealmente, os dados deveriam ser testados e validados com outros bancos de dados independentes. Consequentemente, teremos maiores possibilidades de generalização dos modelos.
  3. A generalização dos modelos de aprendizagem de máquina na saúde e em outros setores ainda é um grande desafio. A grande maioria dos modelos de ML treinados falham ao receberem novos dados ou sofrem do processo de overfitting, o que torna incapaz a generalização desses modelos.
  4. Quando se trata de pesquisa científica, o cuidado com vieses nos resultados deve sempre levado em consideração. Quando se trata de desenvolvimento IA o mesmo cuidado é necessário (seja na saúde ou outro setor), porque a máquina só aprende a partir dos dados que fornecemos. Se utilizamos um banco de dados enviesado para treinar modelos, consequentemente esse modelo terá um viés, algo que pode trazer sérias consequências. Por tanto, o planejamento da coleta de dados e do banco de dados são etapas que merecem muita atenção.
  5. A utilização de recursos de IA nas ciências da saúde ainda é uma novidade, portanto se faz necessário o desenvolvimento de normativas e recomendações de como deve ser as pesquisas que utilizam esses recursos na saúde. Além de orientações aos pesquisadores, é necessário também uma discussão sobre os cuidados éticos que devemos ter ao desenvolvermos esse tipo de pesquisa.

Conclusão

Nesse texto conversamos sobre algumas possibilidades de aplicações de recursos de IA nas ciências da saúde, em especial na psicologia e psiquiatria. Certamente há outras possibilidades de aplicação da IA nessas áreas que não tratamos aqui, o que reforça a necessidade de aprendermos e discutimos mais sobre esse assunto. Vimos que apesar do grande potencial dos recursos de IA na saúde há algumas limitações e nem sempre o uso dessas técnicas é o melhor caminho para alcançar os nossos objetivos. Também, que há uma tendência de mudança na lógica da medicina, que começa a implementar técnicas de IA para auxiliar nas decisões clínicas. Estamos diante de uma tecnologia que está afetando toda nossa rotina e irá afetar cada vez mais. Precisamos entender melhor o que é realmente a IA, como ela afeta nossas vidas e aprender a desenvolver e utilizar estes recursos de forma ética e responsável.

Espero que tenha gostado e qualquer dúvida, comentário ou observação é muito bem-vinda! Fique à vontade para se manifestar e vamos aprender juntos! Se preferir, você pode me contatar pelo dalton.bc96@gmail.com

Ensina.AI

Tudo sobre Inteligência Artificial em Português

Dalton Costa

Written by

Estudante de psicologia e ciência de dados

Ensina.AI

Ensina.AI

Tudo sobre Inteligência Artificial em Português

Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch
Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore
Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade