O que os estudos científicos têm a dizer sobre o ChatGPT na área da saúde

 

PRÉ LANÇAMENTO LIVRO– CIÊNCIA DE DADOS E A INTELIGÊNCIA ARTIFICIAL NA ÁREA DA SAÚDE

Autores: 

Antonio Valerio Netto
Lilian Berton
André Kazuo Takahata

Lançamento previsto para Setembro/Outubro de 2021

Um grupo de 13 pesquisadores das áreas de saúde digital e inteligência artificial se uniram para produzir um livro que permita ser a “porta de entrada” do leitor para os processos envolvendo a aquisição e interpretação dos diversos tipos de dados oriundos da área de saúde. O objetivo é que esse leitor tenha uma noção clara de como analisá-los utilizando ferramentas baseadas em algoritmos inteligentes. O livro foi escrito pensando no público de gestores nas áreas de saúde, tecnologia da informação (TI), etc. e de alunos de graduação e pós-graduação que desejam entender as perspectivas da união dessas áreas. Além, é claro, do público em geral que se interessa por informações técnicas relacionadas a ciência de dados, inteligência artificial, inovação e tecnologia em saúde. O livro está dividido em dez capítulos. Na primeira parte do livro existem quatro capítulos que buscam apresentar a temática ao leitor. Na segunda parte, existem quatro capítulos, onde são aprofundadas aplicações específicas relacionadas à temática do livro. A terceira parte do livro foi dividida em dois capítulos, onde são discutidos os impactos das aplicações das soluções relacionadas à temática, junto ao mercado e aos profissionais de saúde.

No primeiro capítulo são discutidos conceitos relacionados à Health Data Science e suas duas subáreas: dados clínicos e dados de comportamento e sentimento do paciente. Além disso, são apresentadas informações sobre Health Analytics e Data Analytics com seus quatro tipos de análise de dados: descriptive analytics, diagnostic analytics, predictive analytics e prescriptive analytics.

No segundo são apresentadas noções gerais sobre Inteligência Artificial (IA) citando suas principais subáreas. São apresentados, de forma breve, os conceitos envolvendo machine learning (ML), aprendizado supervisionado, árvore de decisão, support vector machine, redes neurais, algoritmo k-vizinhos mais próximos, entre outros.

No capítulo três é abordada a inferência bayesiana. Ela possibilita a criação de modelos para uso efetivo de observações no tratamento de cenários com incertezas, sendo importante para o pensamento clínico por aleatoriedade para criação e entendimento de diversos algoritmos de IA. No quatro é discutido o processo para avaliação de sistemas preditivos em saúde (SPS) e descrita as estatísticas utilizadas como indicadores de desempenho, bem como métodos e estratégias para avaliação.

No capítulo cinco são descritas as categorias da IA (narrow AI e Artificial General Intelligence) e são listadas as dezesseis principais razões do seu uso na área de medicina. Também são apresentados os marcos históricos e exemplos de uso prático nessa área.

No sexto capítulo são apresentados os sistemas de apoio a diagnósticos (do inglês Computer-aided Diagnoses – CAD). Esses sistemas estão relacionados aos processos, modelos ou ferramentas computacionais que assistem os especialistas por meio do uso de técnicas de banco de dados, processamento de imagens e IA aplicadas a diferentes modalidades de dados.

No sétimo são apresentadas soluções envolvendo o Processamento de Linguagem Natural (PLN) ou linguística computacional na produção e recepção de textos em biomedicina e saúde. As ações estão relacionadas à busca de recursos de acesso e triagem de informações em saúde voltadas para extração de informação, mineração de textos, sumarização, processamento multimídia, sistemas multilíngues, sistemas de diálogo e assistentes virtuais de conversação.

No capítulo oito são apresentadas informações do emprego de IA na área de análises genômicas. Essa área vem ganhando espaço devido ao seu potencial para tratamento e prevenção de doenças, levando em consideração a variabilidade individual genética e estilo de vida de cada pessoa.

No nono capítulo são apresentados casos baseados em real world evidence, em português, “evidência do mundo real”. Esse termo é usado para descrever descobertas de pesquisas com dados coletados fora dos ensaios clínicos padrões. Serão três cases focados na criação de valor para o indivíduo, para o negócio saúde e para a sociedade.

Por fim, no capítulo dez é discutida a questão da construção do conhecimento baseado em IA. A mesma não irá tomar o lugar do profissional de saúde, mas sim, ajudá-lo como ferramenta de apoio para o diagnóstico, tratamento e cuidado, reduzindo consideravelmente, o custo da saúde e a mortalidade humana.

Interessados na pré-venda: https://docs.google.com/forms/d/e/1FAIpQLSfMRdUZ1AWOYEP2uurejekywrFrH1e3yl87cmm3dSH_qnGWtA/viewform

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

7 termos de Inteligência Artificial que o médico deve conhecer

1- Inteligência Artificial:

"Inteligência Artificial é o estudo de como fazer os computadores realizarem coisas que, no momento, as pessoas fazem melhor" (RICH & KNIGHT, 1994). Mas eu, especialmente, gosto das colocações do Prof. Cristiano L.P. de Oliveira (IFUSP), em que a IA baseia-se em:

• sistemas que pensam como humanos, p. ex., IBM Watson Oncologia. 
• sistemas que atuam como humanos, p. ex., Da Vinci Cirurgia Robótica. 
• sistemas que pensam racionalmente, p. ex., dedução, lógica.
• sistemas que atuam racionalmente, p. ex., sistemas que usam modelos matemáticos.

2- Computação Cognitiva: outro termo para inteligência artificial, mesmo significado.

3- Aprendizado de máquina

É uma área de IA que utiliza programas de computador que tomam decisões baseados em experiências acumuladas por meio de solução bem sucedida de problemas anteriores. Tem como objetivo o desenvolvimento de técnicas computacionais sobre o aprendizado, bem como a construção de sistemas capazes de adquirir conhecimento de forma automática. O reconhecimento de imagens e padrões é uma área que tem uma aplicabilidade muito grande na medicina, como Eyes of Watson,  que é um software  que potencializa o processamento de imagens e o diagnóstico digital. 

4 - Análise Preditiva:

É o uso de dados, algoritmos estatísticos e técnicas de machine learning para identificar a probabilidade de resultados futuros com base em dados históricos. Na Saúde podem prever a eficácia de novos procedimentos, exames médicos e medicamentos e melhorar serviços ou resultados, fornecendo melhor atendimento ao paciente.

Ex: O prof Alexandre Chiavegatto Filho está desenvolvendo um trabalho no LABDAPS (Laboratório de Big Data e Análise Preditiva em Saúde da USP), que tem por objetivo predizer a expectativa de vida dos habitantes de São Paulo sem usar dados de saúde. 

Alexandre Chiavegatto Filho

5- Aprendizado Profundo

É a parte do aprendizado de máquinas que se concentra na formação de "abstrações e conceitos". Os sistemas de aprendizado profundo ingerem grandes quantidades de dados e generalizam categorias e recursos relacionados a esses dados através de uma aprendizagem supervisionada (onde as varíaveis são definidas, assim como o desfecho procurado) ou não supervisionada (são fornecidas somente as variáveis e o sistema busca desfechos relevantes). Ex: Algoritmo ajuda a diagnosticar e tratar doenças oculares

6- Algoritmo

É uma sequência finita de instruções bem definidas e não ambíguas, cada uma das quais devendo ser executadas mecânica ou eletronicamente em um intervalo de tempo finito e com uma quantidade de esforço finita. Um exemplo de algoritmo seria um protocolo de bradicardia, como abaixo:

7- Processamento de linguagem natural 

Área de inteligência artificial relacionada à geração e compreensão automática da linguagem dos seres humanos. O objetivo do PLN é fornecer aos computadores a capacidade de entender e compor textos. “Entender” um texto significa reconhecer o contexto, fazer análise sintática, semântica, léxica e morfológica, criar resumos, extrair informação, interpretar os sentidos, analisar sentimentos e até aprender conceitos com os textos processados. Ex: Siri do iPhone e iPad

Ferramentas práticas de Inteligência artificial que você pode experimentar, aplicadas a Saúde (fonte):

• AIME: Uma parceria entre uma startup malaia e uma ONG carioca usa a tecnologia criada pela Artificial Intelligence in Medical Epidemiology (AIME), para prever surtos de dengue em determinadas regiões no Brasil, facilitando a prevenção e o combate.
• Enlitic: Aprendizagem profunda para saúde e medicina baseada em dados com o objetivo de dar resultados de diagnóstico radicalmente melhores.
• Metamind.io: Reconhecimento automático e categorização precisa de imagens. Inclui diversos cases de medicina.
• Zebra Medical Vision: Aperfeiçoa o atendimento ao paciente ao fechar as lacunas entre pesquisa clínica em larga escala e implementação de insights clínicos.
• Deep Genomics: Aprendizado de máquina e IA para a medicina de precisão, testes genéticos, diagnósticos e terapias.
• Atomwise: Utiliza a IA e análises para previsões médicas e descoberta de novos medicamentos.
• Flatiron.com: IA e aprendizagem de máquina para insights sobre tratamentos de saúde.

Caso Clínico no Figure1: Aprendizado de Máquina

O app Figure1, conhecido como o Instagram dos Médicos, publica casos para discussão e quizes (tem que estar logado para acessar), esta semana me surpreendeu publicando um caso clínico de Informática em Saúde:

"A Aprendizagem de Máquina - ou fornecer computadores com a capacidade de realizar tarefas cada vez mais complexas sem programação explícita - prevê  transformar a medicina na próxima década. Por exemplo, a análise automatizada de imagem com o uso de algoritmos está avançando a um ritmo que pode mudar a forma como a radiologia é praticada .

Existem partes da sua prática que poderiam ser automatizadas? Deveriam ser automatizadas? Como você acha que a aprendizagem automática vai mudar seu trabalho? "

Algumas Sugestões interessantes:

• Diferenciar no monitor cardíaco uma assistolia de um rítmo sinusal normal ou ser mais específico quanto a arrtmias,  para disparar o alarme (normal sinus rhythm: NSR). 

• Auxiliar o Diagnóstico por imagem em Oftalmologia, principalmente na avaliação de imagens de retina.

• Interpretação de monitoramento fetal intrauterino para evitar acidose metabólica fetal

E surgiram preocupações quanto a substituição de médicos por computadores, mas não é isso do que a Aprendizagem de Máquina se trata. A aprendizagem de máquina é um das áreas dentro da Inteligência artificial que usa grande volumes de dados para "aprender", reconhecendo padrões em um tempo infinitamente menor que o ser humano reconheceria. Dessa forma, a análise (preditiva,  descritiva ou prescritiva) poderia indicar um desfecho provável para o assunto pesquisado.

 E nisso, o comentário abaixo acerta. A aprendizagem de máquina na área da saúde usa Processamento de Linguagem Natural (NLP) em registros clínicos. E, na minha xereta opinião, e de alguns estudiosos, o discurso do paciente ainda pressupõe um senso comum que o médico possua, e que entenda a intensão por trás do discurso do paciente. Isso ainda é extremamente difícil para a máquina. Ainda...

Inteligência artificial: chave para saúde mental

Com AI, nossas palavras serão uma janela em nossa saúde mental

A IBM prediz que em cinco anos, o que dizemos e escrevemos será utilizado como indicador de nossa saúde mental e bem-estar físico. Padrões em nossa fala e escrita serão analisados ​​por novos sistemas cognitivos fornecendo indicadores de transtornos de desenvolvimento em estágio inicial, doenças mentais e doenças neurológicas degenerativas que podem ajudar médicos e pacientes a melhor prever, monitorar e acompanhar essas condições.

Os distúrbios cerebrais incluindo as doenças do desenvolvimento, psiquiátricas e neurodegenerativas, representam uma enorme carga de doença, em termos de sofrimento humano e custo econômico. Por exemplo, hoje em dia, um em cada cinco adultos nos EUA experimenta uma condição de saúde mental, como depressão, distúrbio bipolar ou esquizofrenia, e aproximadamente metade dos indivíduos com transtornos psiquiátricos graves não recebem tratamento. O custo global das condições de saúde mental deverá aumentar para US $ 6 trilhões até 2030.

Os computadores cognitivos irão analisar a fala de um paciente ou palavras escritas para procurar indicadores encontrados na linguagem, incluindo significado, sintaxe e entonação. Combinando os resultados dessas medições com aqueles de dispositivos wearables e sistemas de imagem (RNM e EEGs) pode mostrar um quadro mais completo do indivíduo para profissionais de saúde, com o objetivo de melhor identificar, compreender e tratar a doença subjacente, seja Parkinson, Alzheimer, doença de Huntington , PTSD ou mesmo condições de desenvolvimento neurológico como o autismo e TDAH.

O que antes eram sinais invisíveis irão se tornar sinais claros da probabilidade de os pacientes entrarem em um determinado estado mental ou de como seu plano de tratamento está funcionando, complementando consultas médicas com avaliações diárias no conforto de suas casas.

Como isso poderia mudar o mundo:

• Analise o discurso para detecção precoce - Encontrar padrões na fala para prever e monitorar precisamente psicose, esquizofrenia, mania e depressão.
• Palavras escritas fornecem indicadores - Analise palavras escritas para ajudar a avaliar a nossa saúde mental, alertando-nos para um declínio antes que ele ocorre.
• Assistentes cognitivos para a saúde mental- Assistentes cognitivos e sensores em nossos telefones inteligentes poderiam "ouvir" para fora para o nosso bem-estar.
• Ferramentas automatizadas de saúde mentalCrie ferramentas automatizadas para ajudar os médicos a acompanhar e tratar a progressão da doença neurológica de um paciente.

Na IBM, os cientistas estão usando transcrições e entradas de áudio de entrevistas psiquiátricas, juntamente com técnicas de aprendizagem de máquina, para encontrar padrões de fala para ajudar os médicos a prever e monitorar precisamente psicose, esquizofrenia, mania e depressão. Hoje, leva apenas cerca de 300 palavras para ajudar os médicos a prever a probabilidade de psicose em um usuário.

Veja mais no vídeo:

Fonte

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