Inteligência artificial na Medicina bem explicadinho

Hoje recomendo o  podcast Episódio #16 @LadoBdaCiencia1 com prof Alexandre Chiavegatto @SaudenoBR https://lado-b-da-ciencia-podcast.zencast.website/episodes/17

Vou fazer um resuminho interessante sobre alguns pontos da inteligência artificial:

1- Ciência de Dados: área que tenta retirar informações relevantes a partir da informação disponível

2- Big Data : grande conjunto de dados disponíveis atualmente.

3- Inteligência Artificial: máquinas aprendendo a tomar decisões inteligentes. Inteligência é a capacidade de tomar a melhor decisão possível com base nas informações disponíveis. É necessário ter informação disponível sobre o assunto, pois se vc toma decisões sem nenhuma informação disponível, isso não é inteligência, isso é sorte. Inteligência no fundo é um problema de análise de processamento de dados. 

4- Machine Learning : domina a inteligência artificial, aprendizado via dados, máquinas (algoritmo) tomando decisões inteligentes a partir de dados disponíveis. O que difere de antigamente quando máquinas tomavam decisões a partir de regras criadas por humanos (como no spam de emails), é que hoje o computador aprende as melhores regras de decisão, como as variáveis interagem levando, no caso da #Medicina, aos problemas de saúde. Os algoritmos conseguem perceber essa complexidade que passa desapercebida ao cérebro humano. 

5- Algoritmo: conjunto de regras para um determinado fim, p ex: receita de um bolo. 

Fonte: https://fernandonogueiracosta.wordpress.com/2018/05/11/o-que-e-um-algoritmo/

6- Algoritmos de machine learning estão presentes no nosso dia-a-dia: Waze (melhor caminho), redes sociais ( o que aparece primeiro para vc é uma predição de quem seu melhor amigo, os assuntos do seu interesse), Netflix (recomendações para vc), Youtube (sugestões a direita). 

7- Inteligência artificial na área da Saúde: No futuro será orientar o médico quais são as melhores decisões sobre o q o paciente precisa. Aplicações: diagnóstico de câncer de mama, diagnóstico de Diabetes via imagem de retina, no LABDAPS (http://www.fsp.usp.br/labdaps/publicacoes/) : identificação de boas práticas de saúde pública no Brasil, predição do risco de óbitos entre idosos no município de SP, predição de qualidade de vida em pacientes com doença terminal, predição de risco de diagnóstico positivo em paciente de COVID-19 e prognóstico negativo entre os paciente com COVID-19... 

8- O que é necessário para uma boa predição: variáveis que fortemente ajudem a predizer o desfecho. O algoritmo usa o passado para aprender regras para predizer o futuro. 

Ex: banco de dados de características de pacientes q fizeram o RT PCR de COVID-19, alguns tinham a doença e outros não. O algoritmo aprende as características que levaram os pacientes a ter a doença. Quando é trazido um novo paciente com sintomas, o algoritmo processa essas informações, dentro das regras que ele aprendeu com pacientes anteriores, e mostra que o paciente, p. ex.,  tem 93% de risco de ter COVID-19. Então é feito o RT PCR para confirmação e o faz com centenas de pessoas (treinamento). Quando o algoritmo diz, p. ex.,  que a chance é de 90 a 100% de ter a doença, e realmente 90 a 100% tem a doença, diz-se que o algoritmo é "bem calibrado".

Fio sobre #InteligenciaArtificial retirado do podcast Episódio #16
@LadoBdaCiencia1com prof Alexandre Chiavegatto @SaudenoBR https://t.co/T05vbRVKmR
1- Ciência de dados: área que tenta retirar informações relevantes a partir da informação disponível
2- #BigData : grande conjunto

— TI Medicina (@timedicina) October 30, 2020

Como utilizar o big data para a tomada de decisões estratégicas

Como começar a utilizar o big data para a tomada de decisões estratégicas de Eduardo Santos no site Administradores.com.br  veio com esse infográfico que achei muito interessante:

Alertas em Prescrições e Farmacogenômia

Esse post é parte da palestra Inteligência artificial e Big Data na prática clínica, que apresentei no CBC- Vitória. A farmacogenômica é a área que estuda a alteração no metabolismo das drogas pela expressão de alguns genes, ou seja, com o tempo a seleção de drogas terapêuticas deverá ser substituída por seleção de pacientes nos quais uma determinada droga seria eficaz.

Nos EUA, o FDA já conta com mais de 100 drogas que tem seu efeito modificado na presença de alguns genes:

Veja mais aqui

A IGNITE, rede de pesquisa com o objetivo de incorporar informação genômica na prática clínica, conta com seis Universidades ligadas a centros hospitalares, cada um desenvolvendo um tipo de pesquisa diferente.  Vanderbuilt University, no Tenesse, usa prontuário eletrônico desde 2001, retirou a identificação dos pacientes do prontuários eletrônicos e criou um banco de dados que hoje conta com mais de 2 milhões de registros clínicos, destinados a pesquisa! Incluem dados de anamnese, prescrição, exames, reações adversas, interação medicamentosa, dados demográficos e muito mais.

Em 2005, eles tiveram a ideia de pegar amostras de sangue de exames laboratoriais que seriam descartadas e transformá-las em um banco de DNA, chamado BioVU. Os pacientes que aceitam doar suas amostras e participar do banco, assinam um termo de consentimento. A aceitação de uma amostra dispara o programa de criptografia para atribuir um número de identificação único para a pesquisa da amostra, assim as amostras de DNA não são identificadas.Hoje já são mais de 180.000 amostras de adultos e mais de 12.000 crianças, são 800 amostras cadastradas por semana atualmente. O BioVU é ligado ao banco de registros eletrônicos não identificados da Universidade Vanderbuilt.

 

Já imaginaram tudo que poderíamos pesquisar no acesso a esse banco de dados? Por exemplo, lá consta que desde 2001 foram 230 vítimas de mordida humana. Penso na quantidade de informação que eu poderia pesquisar com esse dado: resposta terapêutica ligada à idade, comorbidade, diferentes evoluções associadas a resultados de exames laboratoriais iniciais...

Mas voltando ao banco de dados Vanderbuilt e BioVU, nas prescrições de pacientes surge um alerta quando o paciente possui um determinado fenótipo que interfere no metabolismo de alguma droga específica. Vejam o exemplo do Clopidogrel:

Pacientes que tem o genótipo  CYP2D19 não metabolizam bem o Clopidogrel, por isso podem ter eventos tromboembólicos usando essa medicação. O programa oferece 2 opções, Prasugrel ou Ticagrelor, com suas respectivas contraindicações e precauções.

Acho que o futuro a medicina estará muito voltado para a medicina de precisão, onde a droga certa será prescrita para o paciente certo, na hora certa. 

O post Alertas em Prescrições e Farmacogenômia é original do TI Medicina. Quando copiá-lo, citar a fonte.

Painel de Big Data em 2016 - Inteligência Artificial a serviço da Saúde

Matt Turck escreveu o post "Is Big Data Still a Thing? (The 2016 Big Data Landscape)" onde mostra o panorama atual de Big Data e como ela está se tornando a nova Inteligência Artificial, inclusive na área da saúde.

"A grande tendência ao longo dos últimos meses em análise de Big Data tem sido o foco crescente em inteligência artificial (em suas diversas formas e sabores) para ajudar a analisar enormes quantidades de dados e derivar percepções preditivas.(...) Os algoritmos para aprendizagem profunda (a área da IA que recebe mais atenção nos dias de hoje) foram criados há décadas atrás, mas não mostraram todo o seu potencial até que pudessem ser aplicados a grandes quantidades de dados baratos e rápidos. (...) A combinação de Big Data e IA irá impulsionar a inovação em praticamente todos os setores. A partir dessa perspectiva, a oportunidade de Big Data é provavelmente ainda maior do que as pessoas pensavam." Matt Turck

Abaixo podemos ver um panorama atual da Big Data dividida em infraestrutura, análise e aplicações, atualizada em 23/03/2016, isto é, bem recente.

Matt Turck -big data landscape

Para a imagem em tamanho grande, clique aqui. Para a lista das empresas, clique aqui.

Na área da saúde temos 2 áreas que chama a atenção: fonte de dados e API e Aplicações em Life Science.

Fonte de dados e API em Big data em Saúde

Fonte de dados e API em Big data em Saúde

• Jawbone: Aplicativo UP usa o telefone ou smartwatch compatível para monitorar os movimentos, permite registrar alimentos e sono e mostra como fazer ajustes simples que, com o tempo, renovam o usuário por completo. Possui monitores de atividade física também: 
• Garmin: um dos principais produtores de dispositivos de fitness que ajudam as pessoas a atingir seus objetivos, com dispositivos para atividades diárias, caminhada, corrida, natação ou uma combinação de atividades, além de ciclismo, natação corrida e poliesportiva.
• Practice Fusion: conecta médicos, pacientes e dados para conduzir melhor saúde e salvar vidas, plataforma clínica em tempo real de dados não-identificados.
• Fitbit: vários modelos de dispositivos tracker para todos os gostos.
• Withings: dispositivos wireless de pressão arterial, peso, temperatura, atividade e muito mais, vendidos no site da Apple.
• Validic: plataforma de tecnologia baseada em nuvem que conecta os dados gravados do usuário, desde aplicativos de saúde, dispositivos e wearables à empresas, como Kaiser Permanent, Cerner, sistemas hospitalares, fornecedores, empresas farmacêuticas, contribuintes, plataformas de tecnologia de informação de saúde, clubes de saúde e empresas de bem-estar.
• Netatmo: Câmera com reconhecimento de face.
• Kinsa: termômetro que junto com aplicativo, relaciona a febre e os sintomas informando aos pais quando é motivo de preocupação.
• HumanAPI: acesso em tempo real aos dados de saúde digitais estruturados a partir de fornecedores, laboratórios, farmácias, dispositivos e aplicativos, permite conectar o mundo de dados de saúde para a sua aplicação com uma única API.

Aplicações de Big Data em Life Scienses 

Aplicações de Big Data em Life Scienses 

• 23andMe:  serviço de análise de DNA fornecendo informações e ferramentas para as pessoas para conhecer e explorar seu DNA.
• 3scan: visa alargar a compreensão da biologia passado o dogma central para fornecer uma compreensão da estrutura, função e mau funcionamento dos tecidos normais e patológicos em 2D e 3D. Com várias modalidades de imagem disponíveis, podemos capturar, manipular, analisar e quantificar uma grande variedade de informações estruturais para fornecer insights sobre o seu investigação problemas.
• AiCure: soluções avançadas de adesão à medicação alimentado por inteligência artificial
• Atomwise: usando supercomputadores para prever, com antecedência, que potenciais medicamentos vai funcionar, e quais não. Usando algoritmos de aprendizado de máquina para analisar as bases de dados para dizer a diferença entre quais drogas são indicadas e quais serão tóxicas, e descobrir novos usos para medicamentos antigos. 
• Bina Technologies: soluções para análise genômica secundária e terciária, gestão de dados end-to-end e colaboração eficaz. As soluções  ajudam a organizar, encontrar e compartilhar ideias como grandes volumes de dados e  genômica.
• Counsyl: análise de DNA para pré-concepção, pré-natal, câncer hereditário, e mias.
• Deep Genomics: aprendizagem de máquina, biologia do genoma e da medicina de precisão, nova geração de tecnologias computacionais que podem nos dizer o que vai acontecerá dentro de uma célula quando o DNA é alterado pela variação genética, de ocorrência natural ou terapêutico. Banco de dados SPIDEX TM , um conjunto abrangente de mutações e seus efeitos previstos no splicing de RNA em todo o genoma humano.
• Diassess: análise de DNA com objetivos médicos, forenses, químicos, industrial e agricultura.
• Enlitic: tecnologia de aprendizagem profunda para a medicina, contextualiza os dados de imagem comparando-a com grandes conjuntos de dados de imagens do passado, e através da análise de dados clínicos auxiliares, incluindo os relatórios clínicos e estudos de laboratório. Fornece insights ao médico em tempo real ou retrospectivo.
• Flatiron Health: plataforma de evidências para oncologia, ferramenta de análise que desbloqueia dados de vários sistemas e fornece insights clínicos detalhados e inteligência de negócios. 
• Ginger.io: empresa fez um app que acompanha sua saúde mental, medindo níveis de paciência e depressão.
• Glow: rastreamento de saúde pessoal abordando período menstrual e vida sexual, fertilidade, gravidez e bebê.
• Grand Round Table: solução de suporte a decisão clínica integrado ao Registro eletrônico de Saúde
• HealthTap: uma plataforma com mais de 60 mil médicos para atender pacientes online, base de conhecimento mais abrangente do mundo de informações pessoais de saúde criado pelo médico, e organizado com a ontologia proprietária da empresa, não só para os usuários e médicos, mas também para os desenvolvedores.
• HumanDX:  é um esforço mundial para mapear qualquer problema de saúde aos seus possíveis diagnósticos . O Projeto coleta e interpreta as contribuições online de membros das comunidades médicas , científicas e de paciente para criar o primeiro sistema de diagnóstico aberto do mundo .
• Kyruus: plataforma empresarial orientada a dados ajuda os sistemas de saúde a otimizar sua capacidade clínica e melhorar a experiência do paciente em todos os pontos de entrada.
• Metabiota: análise de risco, abordagem diferente às ameaças de doenças infecciosas, soluções para transformar a informação de saúde em inteligência acionável.
• Ovuline:nova geração de apps de saúde construídos por cientistas e médicos usando algoritmos sofisticados, para a saúde feminina
• Pathway: análise de DNA, com IBM Watson, fornece aos usuários informação de saúde validada e personalizada entregue em qualquer dispositivo, incluindo informação somática e câncer hereditário , saúde cardíaca , triagem de portadores , dieta e perda de peso , bem como a resposta à drogapara medicamentos específicos, incluindo os utilizados na gestão da dor e saúde mental.
• Recombine: análise de DNA
• SolveBio: Plataforma de Genomic Intelligence para Medicina de precisão.
• Transcriptic: acesse um laboratório celular e de biologia molecular totalmente automatizado diretamente do seu navegador. 
• Tute Genomics: plataforma de genômica, armazena e gerenciar grandes repositórios de dados genômicos.
• uBiome:  mapeia o microbioma humano, serviço de sequenciamento fornece informações e ferramentas para explorar as populações de bactérias que vivem sobre e dentro do corpo. Com base em pesquisas do Projeto Microbioma Humano NIH , aperfeiçoou a tecnologia para realizar estudos microbioma em grande escala.
• Vital Labs:  processamento de imagens médicas, análise de dados, e desenvolvimento de produtos voltado para o consumidor.
• Zephyr Health: organizar e visualizar os dados globais de saúde para ajudar os clientes indicar terapias de acordo com as necessidades do cliente.
• Zymergen: biotecnologiaa, biologia, automação, aprendizado de máquina e arquitetura de dados, desenvolvendo novas formas  mais eficientes e mais confiáveis ​​para otimizar microrganismos para a fermentação industrial.

Vemos big data aplicada em Genômica para Medicina de Precisão, Farmacogenômica, banco de dados gerando Suporte a Decisão Clínica para integrar a prontuários eletrônicos, Insights relacionando história clínica e exames de imagens, tudo isso utilizando a enormidade de dados disponíveis.  E empresas produzindo dispositivos para capturar esses dados, aprimorando smartphones para se tornarem cada vez mais um sensor de saúde e bem estar.

Um mundo de evidências está disponível para ser descoberto e melhorar nossa prática clínica diária. E penso que o conceito de algoritmos foi introduzido em 1936 com a Máquina de Turing de Alan Turing e pelo cálculo lambda de Alonzo Church, e que só na década de 80 foram relembrados e aplicados adequadamente devido a evolução dos microprocessadores e computadores. 

Inteligência artificial é o estudo de como fazer os computadores realizarem tarefas que, no momento, as pessoas realizam melhor, o que inclui a capacidade de adquirir e aplicar conhecimentos aprendidos. (Almir Olivette Artero - Inteligência Artificial - Teoria e Prática). Praticar Medicina ainda é algo que fazemos melhor que os computadores.  Os algoritmos e as máquinas ainda não são tão bons na análise do discurso do paciente, pois o paciente intui uma grande quantidade de conhecimento de senso comum que pressupõe que o médico possua, e usa a ambiguidade, assumindo que o médico perceba. Computadores ainda não o fazem. AINDA.

O Radiologista automatizado da IBM pode ler imagens e registros médicos

Do blog Technology Review vem esse artigo superinteressante sobre o Avicena, um software da IBM que usa algoritmos de processamento de imagem juntamente com outros algoritmos de interpretação de texto (nos registros médicos), para sugestão de diagnóstico no auxílio a radiologistas.  É o aprendizado de máquina e a inteligência artificial aliando-se à prática clínica. Confira:

A maioria dos softwares inteligentes em uso hoje é especializada em um tipo de dado, seja interpretando texto ou adivinhando o conteúdo de fotos. O software em desenvolvimento na IBM tem que fazer tudo isso ao mesmo tempo. Está treinando para se tornar um assistente do radiologista.
O software tem o apelido de Avicena, em homenagem ao filósofo do século 11 que escreveu uma enciclopédia médica influente. Ele pode identificar características anatômicas e anormalidades em imagens médicas, tais como tomografia computadorizada e também se baseia em texto e outros dados no prontuário do paciente para sugerir possíveis diagnósticos e tratamentos.
Avicena foi projetado para ser utilizado pelos cardiologistas e radiologistas para acelerar seu trabalho e reduzir os erros e atualmente é especializada em radiologia cardiológica e de mama. Está atualmente sendo testado e refinado usando imagens e registros médicos anônimos. Mas Tanveer Syeda-Mahmood, um pesquisador do laboratório de pesquisa da IBM em Almaden perto de San Jose, Califórnia, e cientista-chefe do projeto, diz que a sua equipe e outros na empresa já estão se preparando para começar a testar o software fora do laboratório com grandes volumes de dados reais de pacientes. "Estamos começando os preparativos para a comercialização", diz ela.
Avicena "olha" imagens médicas utilizando um conjunto de diferentes algoritmos de processamento de imagem com diferentes especialidades. Alguns foram treinados para avaliar a distância para dentro do peito do paciente de uma imagem que foi tirada, por exemplo. Outros podem identificar os órgãos ou rotular anormalidades como coágulos sanguíneos. Alguns desses componentes de imagem usam uma técnica chamada de aprendizagem profunda, que produziu recentemente grandes saltos na precisão de software de reconhecimento de imagem (veja "AI Advances Make It Possible to Search, Shop with Images").
Os algoritmos de processamento de imagem trabalham ao lado de outros que foram treinados para interpretar o texto e resultados de testes em registros médicos. Avicena tem um sistema de "raciocínio" que se enquadra na saída de todos esses sinais diferentes para sugerir possíveis diagnósticos para um paciente. Ele mostra um resumo de seu raciocínio para a pessoa que trabalha com o software.

Imagem: O software da IBM, Avicena, destacou possíveis embolias em uma tomografia em verde, encontrando virtualmente o mesmo problema que um radiologista humano que marcou a imagem em vermelho.

Em uma demonstração do sistema, Syeda-Mahmood mostrou Avicena avaliando o caso de uma mulher de 28 anos de idade, queixando-se de falta de ar. O prontuário da paciente tinha imagens de pulmão e angiograma dos vasos sanguíneos em torno de seus pulmões, alguns exames de sangue e texto, observando que sua mãe tinha passado por vários abortos.
Avicenna sabia que o histórico da família poderia ser associado com uma tendência de formar coágulos sanguíneos, o que pode levar a abortos, conhecimento que mudou como as imagens do angiograma foram analisadas. O software sugeriu embolia pulmonar como o diagnóstico mais provável e destacou várias embolias possíveis em artérias pulmonares direita e esquerda do paciente. Quando um radiologista de forma independente analisou o mesmo caso, ele fez o mesmo diagnóstico e destacou mais ou menos exatamente as mesmas embolias.
IBM não são os únicos pesquisadores tentando construir software que combina texto e outros dados de registros médicos para funcionar como um radiologista. Mas Kenji Suzuki, professor associado no centro de pesquisa de imagens médicas no Instituto de Tecnologia de Illinois, diz que as ambições comerciais da IBM para Avicena são únicos. "Nenhuma outra empresa está a tentar ou prevendo que a integração total de texto, dados estruturados e imagiologia médica", diz ele.
No entanto, com base no que ele tem visto do projeto até agora, Suzuki diz que o processamento de imagem do Avicena e os poderes de diagnóstico ainda precisam se tornar mais precisos e flexíveis. Mesmo depois de fazer essas melhorias, para ter vendas significativas, a IBM terá de integrar seu ajudante automatizado com os sistemas de TI de hospitais existentes e provar que tem benefícios econômicos - "como reduzir o custo total do hospital, o reembolso do seguro, ou os riscos de ações judiciais", diz Suzuki.
Syeda-Mahmood diz que tornar o Avicena mais preciso é uma das principais prioridades da sua equipe, embora o objetivo seja ajudar os radiologistas e não substituí-los. E ela acredita que a IBM tem uma vantagem sobre as outras empresas tentando construir este tipo de software.
Isso porque fazer um sistema de aprendizado de máquina mais preciso requer oferecer a ele muitos dados de exemplo para refinar suas habilidades. A IBM já acumulou uma grande coleção de imagens médicas e registros e está no processo de torna-la muito maior.
No ano passado a empresa adquiriu uma coleção de milhares de imagens médicas, quando adquiriu a empresa Merge Healthcare. Essas imagens ainda não estão disponíveis para Avicena, mas quando estiverem, poderão ajudar a tornar o software mais preciso, diz Syeda-Mahmood. O projeto também pode obter um aumento de 50 milhões de registos de saúde electrônicos anônimos que a IBM recebeu na aquisição do ano passado de uma startup chamada Explorys.
Este artigo pertence a coleção Como treinar suas máquinas

Big Data em Saúde - Parte II

Se você ainda não leu a Parte I, lá faço um apanhado das perspectivas do uso de Biga Data na saúde, pegando como referência o curso de Big Data em Saúde no Brasil.

Hoje, falarei de aplicações  de Big Data que já estão sendo utilizadas.

Big Data em Saúde - Parte II -  

Sistema que integra internet das coisas e prontuário eletrônico

O foco da atualidade é a integração de informações, compartilhamento  e análise de Big Data.  

A cada dia centenas de milhares de dispositivos médicos em todo o mundo geram bilhões de bits de valiosos dados em tempo real de sinais vitais de pacientes, informação dos próprios dispositivos, que juntos formam um quebra-cabeças da condição do paciente e estatísticas de dispositivos médicos em determinado momento no tempo.

Imagine poder registrar os dados de todos os dispositivos médicos e enviar essas informações para atender ás necessidades de todos as aplicações do hospital?

• Promover a segurança do paciente com a transmissão de dados dos dispositivos médicos  ao sistema de gerenciamento de alarme.
• Melhorar a eficácia clínica identificando precocemente sinais de deterioração do paciente.
• Apoiar a investigação clínica e melhorar as iniciativas de qualidade de dados do dispositivo médico.
• Melhorar a eficiência operacional por meio de informações através da utilização e performance de seus ativos de dispositivos médicos o que impacta positivamente na qualidade e nos custo do cuidado. 

InterSystems fechou, em Julho último, acordo de revenda do SmartLinx MDIS da Capsule, que promete realizar as façanhas do vídeo abaixo, integrando dados de dispositivos médicos ao software proprietário, o que na prática, integrará dados de monitores, ventiladores, incubadoras, aparelhos de anestesia, bombas de infusão, sensores de balão intra-aórtico, etc, ao prontuário eletrônico, o EMR TrakCare.  

O SmartLinx MDIS da Capsule é o primeiro sistema integrado de cuidados de saúde a permitir que os hospitais e as organizações de cuidados de saúde aumentem a eficiência e ajudem a melhorar a prestação de assistência ao paciente através da captura de dados de dispositivos médicos e contexto diretamente no ponto de atendimento. O sistema consolida o fluxo de trabalho clínico e coloca os dados para trabalhar, integrando-os com os registros médicos eletrônicos e os sistemas inteligentes para gerar decisões clínicas e operacionais informadas. A conectividade e captura de dados são obtidas através de soluções integradas de hardware e/ou software que atendem aos requisitos de praticamente qualquer ambiente de cuidados de saúde. (fonte Portal ERP)

Assista mais no video:

Big Data em Saúde - parte I

Fiz o curso de Big Data em Saúde no Brasil da USP, no Coursera, com o Prof. Alexandre Chiavegatto Filho, e gostei demais. Recomendo imensamente. Farei alguns posts abordando temas do curso e outras aplicações práticas já em uso em Big Data na Saúde. Recomendo também um artigo muito bom do mesmo autor do curso:

Chiavegatto Filho ADP. Uso de big data em saúde no Brasil: perspectivas para um futuro próximo. Epidemiol e Serviços Saúde [Internet]. Coordenação-Geral de Desenvolvimento da Epidemiologia em Serviços / Secretaria de Vigilância em Saúde / Ministério da Saúde; [cited 2015 Oct 30];24(2):325–32. 

Big data em Saúde - parte I

O prof. Alexandre Chiavegatto Filho define Big data como "uma quantidade de dados suficientemente grande que leve a uma mudança nas formas tradicionais de análise de dados." 

Já pensou analisar dados de dispositivos de monitorização como o app S Health do Android ou o do app Saúde do iOS9, associados a dados de prontuário eletrônico dos pacientes? Localizar, por exemplo, todos os pacientes que tenham atividade física leve (1 hora de caminhada diária em atividades habituais) com uso de anlodipino, idade > 60 anos e pressão arterial de 140/90 mmHg? Logo será possível que nós, simples médicos, possamos fazer essas associações e tirar algumas conclusões de nossa própria amostra.

 As perspectivas atuais para o uso do Big Data em Saúde no Brasil passam por 4 grandes áreas:

• Estudos Multicênctricos
• Prontuários eletrônicos
• Medicina de Precisão 
• Internet das coisas

Perspectivas para uso do Big Data no Brasil segundo Prof Alexandre

O uso do Big Data já é uma realidade nas operadoras de saúde. Há vários projetos em andamento para análise dessa enorme quantidade de dados de forma automatizada, gerando dados que serão aproveitados em prol da melhoria do atendimento e qualidade de vida dos beneficiários, espero.

Curso Online de Big Data em Saúde no Brasil em Outubro

Big Data em Saúde no Brasil

Este curso no Coursera irá abordar tanto a obtenção de dados em saúde como a sua utilização para melhorar a qualidade de tomada de decisões por parte de hospitais e das diferentes esferas do governo. Mais especificamente, abordaremos as fontes de dados públicos de saúde, o uso do R e do Python para a análise de dados, metodologias de big data (como machine learning, redução de dimensão e como evitar associações espúrias), noções de economia da saúde e o uso de metodologias causais em pesquisas científicas. Apesar de o foco do curso ser a área da saúde, os conhecimentos podem ser diretamente aplicados em outras áreas como a educação, biologia, economia e administração.

Inscreva-se aqui

O curso é gratuito?

Sim, o acesso ao conteúdo do curso é gratuito e aberto a todos os interessados. 

Em quais áreas, além da saúde, eu posso aplicar os conhecimentos apresentados no curso?

Em todas! Não existe uma única área em que possuir conhecimentos de estatística e análise de dados não faça a diferença. Conseguir tomar decisões fundamentadas, com métodos estatísticos rigorosos, será uma habilidade de destaque neste século. O aumento na disponibilidade de dados fará com que aprender a analisar esses dados seja tão importante quanto aprender a usar um computador foi no fim do século passado.

Veja mais no vídeo abaixo:

Porque todo prontuário eletrônico é ruim?

Uma queixa frequente que escuto é que todo prontuário eletrônico é ruim. Por que isso ocorre e o que podemos fazer para melhorar essa constatação?

Uma das variáveis quando se avalia que um prontuário eletrônico é ruim é a qualidade. Mas qualidade é uma percepção individual. O que torna um prontuário bom na opinião de um médico, não é o mesmo que o torna para outro profissional, para o gestor, para o profissional de TI, para o desenvolvedor... Necessidades e expectativas influenciam diretamente nesta definição.

"Qualidade é um conjunto de características de desempenho de um produto ou serviço, que em conformidade com as especificações, atende e, por vezes, supera as expectativas e anseios do consumidor/cliente."

Portanto, um prontuário eletrônico que tenha a maioria dos campos estruturados, ao invés de campo de texto livre, não se adapta bem ao processo de trabalho do médico, pois a medicina ainda é uma das poucas profissões onde a autonomia de conduta e processo de trabalho é mantida, assim cada profissional tem a "sua forma" de realizar seu atendimento. Informação estruturada é de extrema valia para recuperação posterior da informação, assim como a análise pelos sistemas de informação (Data Warehouse). Atualmente a análise da informação de registros eletrônicos é uma condição essencial par a gestão e a melhoria nos cuidados dos pacientes.

Na Informática em Saúde, padronizações, requisitos técnicos e interoperabilidade são sinais de qualidade. Na medicina, as variáveis são tantas, que a padronização nunca pode ser empregada sem várias ressalvas. E isso repercute diretamente na percepção que o médico tem de algo que interfere e atrapalha seu processo de trabalho, mesmo que imprescindível, mandatório e essencial, como o registro de seu atendimento.

Mas como melhorar a percepção dos médicos de qualidade dos prontuários eletrônicos e ainda manter a recuperação de dados para informação de qualidade na saúde? 

Uma solução seria empregar a mineração de dados (dados estruturados) e a mineração de texto (notas clínicas em texto livre) nos prontuários eletrônicos. Se o Google faz isso com a informação na internet, por que não podemos ter esse tipo de ferramenta em prontuários eletrônicos? 

Mineração de dados (data mining) e texto (text mining) é feita por meio de algorítimos que buscam a informação desejada nos registros eletrônicos. São usadas mais comumente em pesquisas e em alguns sistemas de apoio a decisão médica. Um exemplo interessante de como isso foi empregado pode ser visto em um artigo da BMJ (British Medical Journal), Inglaterra, que aplicou a técnica de data minig em cerca de 300.000 registros eletrônicos para detectar pacientes que deveriam ter sido submetidos a propedêutica para câncer de intestino, com base em PSOF + (pesquisa de sangue oculto nas fezes positivo), anemia e hematoquesia. Algoritmos de mineração de dados identificaram 1.048 casos de atraso ou falta de acompanhamento de resultados anormais anualmente e 47 casos de câncer colorretal. 

O interessante é que a aplicabilidade dessas técnicas não depende da estrutura do prontuário eletrônico, se está em campos estruturados ou em texto livre. A recuperação da informação pode ser realizada em resultados de exames, notas clínicas, prescrições, etc. Outro aspecto importante é a inclusão de negativas como "nega hematoquesia", ou seja, exclui pacientes que inicialmente seriam incluídos  no escopo devido a palavra hematoquesia no prontuário eletrônico.

O futuro aponta muitas soluções para agregar qualidade aos prontuários eletrônicos e satisfazer as expectativas e anseios dos médicos em relação a sua usabilidade e melhora no cuidado clínico do paciente. E aí, desenvolvedores, vamos pensar a respeito?

Porque todo prontuário eletrônico é ruim? é um post original do TI Medicina. Quando copiá-lo, adicionar os devidos créditos.

Big Data pode e Prontuários eletrônicos - invasão de privacidade - parte II

Se você não leu a primeira parte, vale a pena :

Big Data pode acrescentar informações aos Prontuários eletrônicos em prol da melhoria do cuidado clínico?

Continuando sobre o post de ontem, as redes sociais são uma grande fábrica de informações sobre seus consumidores e ferramentas analíticas podem saber tudo sobre os internautas como hábitos de consumo, quanto ganham, onde moram, locais que frequentam, se são casados ou solterios, se têm filhos, preferências sexuais, etc.

Quando pensamos em analisar dados de uma população e aplicá-las em prontuários eletrônicos, principalmente usando geolocalização, vemos o quão benéfica pode ser essa parceria em termos de informação para decisão médica. Por exemplo, se o prontuário eletrônico tivesse inserido nele uma ferramenta de análise em tempo real de uma rede social como o twitter, uma informação sobre uma possível onda de novos casos de H1N1 naquele bairro ou cidade poderia fazer toda a diferença na avaliação médica de um quadro gripal comum. E não só epidemiologia, mas farmacovigilância e perfis de resistência a antimicrobianos seriam informações valiosas para tornar o cuidado médico mais personalizado e mais efetivo.

E se as informações que pudessem ser importadas pelos prontuários eletrônicos pudessem ser individuais? Ou seja, com o seu perfil em redes sociais, seus hábitos de consumo e hábitos de vida, seria uma ferramenta sem preço para a avaliação médica, já que todo paciente mente (ohhhhhh, é verdade.)

Suas fotos em baladas, normalmente com bebidas alcóolicas, os selfies sempre com parceiros diferentes, as fotos de comidas calóricas e deliciosas, seriam indícios de comportamentos nocivos que normalmente não contamos para nossos médicos. Quem gostaria que esse tipo de informação estivesse em seu prontuário eletrônico? Acho que  maioria de nós não se sentiria a vontade com isso.

E pode isso, Arnaldo? De acordo com o novo Marco Civil da Internet, acho que não. Mas vale a pena lembrar que as configurações de privacidade são definidas por cada usuário.

"CIO da Universidade Metodista de São Paulo, Daví Betts, acredita que os internautas precisam passar por um processo de educação e entender que tudo na web tem seu preço. Assim, os dados deles têm valor e não devem ser fornecidos de graça.
A recomendação de advogados e de especialistas é que os projetos de Big Data passem não apenas pelas questões de estratégias de negócios, tecnologia e mão de obra especializada. As empresas devem também avaliar como as questões legais podem impactar as iniciativas. por Edileuza Soares em Big Data: uso de dados pessoais pode levar empresas à Justiça" 

Big Data pode e Prontuários eletrônicos - invasão de privacidade - parte II é um post original do TI Medicina. Quando copiá-lo adicionar os devidos créditos.

Big Data pode acrescentar informações aos Prontuários eletrônicos em prol da melhoria do cuidado clínico?

Em um questionamento do meu orientador do TCC, Prof Fábio de Oliveira Teixeira,  da especialização em Informática em Saúde da UNIFESP, resolvi escrever um post com algumas ideias sobre como a Big Data pode melhorar um prontuário eletrônico.

As discussões de como big data tem sido utilizada como ferramenta de análise de grandes volumes de dados provenientes de várias fontes de serviços de saúde como registros eletrônicos de saúde, faturamento, sistemas hospitalares já é uma realidade no Brasil. Algumas instituições já tem projetos em andamento para utilizar plataformas analíticas para gerenciar desde custos operacionais, dados clínicos, de exames, de medicamentos e tratamentos, até sinistros de seguro.

Mas e o contrário? E se pudéssemos coletar informações de grandes repositórios de dados em tempo real e esses dados pudessem ser inseridos em prontuários eletrônicos de acordo com a relevância para o paciente? Hoje com a cloud computing e a maioria dos prontuários eletrôncos baseados na internet, essas ferramentas poderiam ser utilizadas para agregar valor à tomada de decisão médica.

Algumas ideias de uso de Big Data para acrescentar informações relevantes ao prontuário eletrônico do paciente:

• Epidemiologia: Integrar informações georeferenciadas de relevância de acordo com local de residência ou de trabalho, como doenças infecto-contagiosas.

HealthMap: usa diversas fontes de informação online para monitorar surtos de doenças em tempo real e alertar o público sobre ameaças emergentes para a saúde.

Break Dengue foi criado especificamente para rastrear surtos da dengue em todo o mundo.

Google trends: Dengue e Gripe

Sickweether: usa as redes sociais para indicadores de doença, o que lhe permite verificar se há a indícios de doença (alergias, asma, bronquite, catapora, gripe, pneumonia, etc) em local definido.

Observatório da Dengue: O Observatório da Dengue é um sistema de vigilância epidemiológica ativa a partir de dados coletados na internet. No observatório as informações sobre dengue são coletadas, analisadas e apresentadas em tempo real a partir de muitas de fontes de dados da internet, incluindo redes sociais e blogs. 

• Farmacovigilância: é o trabalho de acompanhamento do desempenho dos medicamentos que já estão no mercado, protegendo as populações de danos causados por produtos comercializados, por meio da identificação precoce do risco e intervenção oportuna.

Além de toda a possibilidade de se usar as mídias sociais como o twitter e o Facebook como é usado em epidemiologia, ainda há o serviço de farmacovigilância da ANVISA. Não temos um serviço eletrônico como FDA Adverse Events Reporting System (FAERS) nos EUA, o que proporcionaria mais uma fonte de dados úteis para o prontuário eletrônico.

• Infectologia: perfis de resistência a antimicrobianos, de acordo com a localização.

Epocrates Bugs + Drugs é um aplicativo gratuito de referência de susceptibilidade antimicrobiana  que fornece dados de resistência bacteriana geolocalizadas para apoiar a tomada de decisão clínica no ponto de atendimento. 

Epocrates Bugs + Drugs

Big Data é um tema que vem sendo pesquisado e se mostra como uma promessa futura para facilitar as análises e os processos de tomada de decisão clínica. Ainda há muito o que se pesquisar e as possibilidades são imensas na área da saúde.

Big Data pode acrescentar informações aos Prontuários eletrônicos em prol da melhoria do cuidado clínico? é um post original do TI Medicina. Quando copiá-lo, adicionar os devidos créditos.

Você também pode se interessar pelo post:

O que é Big Data e porque os médicos odeiam isso