Este projeto tem como princípio que o planejamento e a gestão de sistemas de saúde devem ser abordados como sendo parte relevante na formulação de soluções que viabilizem tanto a execução de terapêuticas no nível do indivíduo quanto a implementação de políticas de saúde coletiva. A IA em saúde contempla a subárea de Aprendizado de Máquina a qual trabalha com modelos computacionais que descrevem relações entre dados coletados ou disponíveis em datasets no domínio da saúde. O projeto de modelos que representem fenômenos de saúde específicos em função de variáveis diversas, é essencial para revelar conhecimento inovador sobre tais fenômenos, bem como para permitir a realização de prognósticos diante de diferentes cenários, assim subsidiando a tomada de decisão. Modelos descritivos baseados em extração de grafos de causalidade e modelos explicativos de alta correlação podem oferecer uma visão abrangente, não simplesmente correlacional mas também causal, do relacionamento entre variáveis diversas e diferentes condições de saúde, e auxiliar no desenvolvimento de tratamentos mais assertivos. Dentre os modelos descritivos, cabe uma menção ao tópico da criação de modelos de realidade virtual e/ou aumentada para a representação de estruturas presentes no corpo do paciente, construídos a partir de dados coletados por tomografia ou ressonância magnética, a serem empregados na elaboração de estratégias personalizadas de tratamento ou mesmo no contexto da cirurgia robótica. Por sua vez, modelos preditivos aplicados devem ser capazes de traduzir dados de pacientes individuais ou de populações em diagnósticos, prognósticos, tratamentos personalizados efetivos, ou ainda políticas públicas. Esses modelos podem envolver a simulação de cenários, visando auxiliar na tomada de decisão.
O projeto de modelos descritivos e preditivos aplicados à área de saúde deve lidar adequadamente com uma série de desafios técnicos, incluindo: (1) a exploração de grandes volumes de dados heterogêneos, com diferentes granularidades e níveis de detalhamento como representação das variáveis de entrada, o que aumenta significativamente a sua complexidade; (2) a necessidade de robustez a ruídos, incompletude ou desbalanceamento dos dados, enquanto capturam particularidades relevantes (exceções); (3) o aprendizado de padrões inerentes aos dados com precisão, sensibilidade e especificidade, se apoiando na habilidade de transferir aprendizagem, ou de não depender de supervisão; (4) a inferência dos parâmetros dos modelos em ambientes de escassez de dados ou dados com grandes vieses; (5) a construção de modelos integrados representando diferentes problemas de saúde em uma mesma população; (6) o desenvolvimento de novas estruturas de modelos, articulando modelos compartimentais determinísticos ou estocásticos, ou ainda modelos de agentes autônomos, superpostos a grafos; (7) a transformação de informações heterogêneas em restrições sobre modelos de epidemias; (8) o projeto de processos de adaptação ou ajustes para amenizar o impacto de vieses nas predições realizadas por modelos; (9) a construção de ferramentas integradas de planejamento e de gestão de sistemas de saúde que promovam a otimização do uso de recursos considerando a dimensão da resiliência dos sistemas a emergências tais como epidemias e desastres; (10) a construção de representações 3D em realidade virtual e/ou aumentada para a visualização de dados coletados por tomografia ou ressonância; e (11) a integração com o arcabouço de explicabilidade discutido na Seção 4.1.
Parte relevante do esforço de modelagem diz respeito à representação dos diversos processos envolvidos na alocação de recursos em sistemas de saúde. Sistemas de auxílio à tomada de decisão deverão ser construídos de forma a considerar o panorama geral da saúde da população produzido pelos demais modelos, gerando análises capazes de subsidiar a tomada de decisões tanto de planejamento quanto de logística da operação das redes de saúde. Ressalta-se a dimensão, que deve ser explicitamente considerada, da resiliência dessas redes, que devem ser planejadas de forma a possibilitarem a formulação de planos de contingência para o tratamento de emergências tais como epidemias e desastres. Um grande desafio que este projeto visa abordar é o do desenvolvimento de modelos capazes de produzir interpretações significativas sobre grandes massas de dados que não seriam tratáveis, em sua forma bruta, pelos usuários. Os modelos constituem as ferramentas para realizar o mapeamento entre os dados disponíveis e as suas interpretações (diagnósticos, prognósticos, associações, projeções), e entre estas e as decisões terapêuticas ou de gestão.
A literatura atual a respeito de modelos de IA é uma área ampla e em crescente evolução. Técnicas de modelagem estado-da-arte incluem modelos preditivos caixa-preta tais como Deep Learning 122, AutoML 123, modelos híbridos 124 e aprendizado multimodal 125, modelos compartimentais, filtragem de Kalman, técnicas de ensembles de modelos, bem como métodos clássicos (baseados em regras, árvores, fuzzy, probabilístico) e métodos mais recentes, como mimic learning, aprendizado por transferência 126, métodos de extração e compressão de conhecimento, federated learning, modelos contextuais e modelos contrafactuais. Todas estas abordagens podem ser exploradas no contexto de problemas específicos de saúde, inspirando adaptações, extensões, combinações e mesmo o desenvolvimento de novas técnicas mais adequadas para o domínio particular.
As metas ou objetivos de pesquisa específicos dessa linha são: (1) Construir modelos capazes de representar a dinâmica das variáveis de saúde relevantes em populações, explorando diversos níveis de granularidade e técnicas, incluindo modelos compartimentais e de agentes autônomos, levando em consideração características demográficas e ambientais. Esses modelos devem interagir com outros modelos orientados ao acompanhamento da saúde de indivíduos, permitindo tanto inserir contextos epidemiológicos na formulação de terapêuticas quanto o enriquecimento dos dados referentes à saúde coletiva na descrição da condição de saúde da população. Como subproduto, tais modelos deverão ser capazes de permitir o monitoramento de doenças transmissíveis, gerando alertas precoces sobre potenciais surtos e indicando regiões geográficas sob risco. (2) Construir modelos autoadaptativos, que permitam incluir o profissional de saúde no aprendizado, de forma interativa, por meio de rotulação de novos casos e diagnósticos que o sistema não seja capaz de reconhecer. Os modelos deverão evoluir de forma incremental à medida que novos casos e conhecimento inovador são apresentados e rotulados por especialistas, em uma interação sinérgica entre profissionais de saúde (practitioners) e metodologias, modelos e algoritmos. Essa tecnologia permite implementar o Raciocínio Baseado em Casos de forma incremental e automática. No projeto serão desenvolvidos novos modelos e algoritmos de aprendizado e sua aplicação em problemas de diagnóstico e prognóstico. Espera-se que seja relativamente simples a disseminação do uso das ferramentas a serem desenvolvidas, possibilitando expressivos ganhos de escala. (3) Desenvolver estudos sobre a utilização de dispositivos de atuação robótica, por exemplo a realização de cirurgias com o auxílio de robôs e sistemas inteligentes e o uso de robôs móveis teleoperados para a atuação em ambientes de risco epidemiológico. No primeiro caso, pretende-se utilizar algoritmos de controle inteligente juntamente com sistemas de realidade virtual/aumentada e modelos treinados a partir de dados de cirurgias anteriores para auxiliar o cirurgião. No segundo, pretende-se desenvolver e adaptar plataformas robóticas segundo o paradigma do controle compartilhado para a realização de diferentes tarefas em ambientes de risco epidemiológico, como o auxílio a pacientes e profissionais de saúde em isolamento ou a desinfecção de ambientes hospitalares. Nesses dois cenários, pretende-se também investigar diferentes aspectos da interação Homem-Robô (HRI – Human-Robot Interaction), tanto no desenvolvimento de interfaces inteligentes para teleoperação dos robôs, quanto no estudo do impacto dessas tecnologias nos profissionais de saúde e pacientes.
Pesquisadores Principais: Jaime Ramirez, Walmir Caminhas, Wagner Meira Jr., Mario Campos, Antonio Ribeiro, Mauro Teixeira
Referências:
122. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med. 2019 Jan;25(1):24–9.
123. Waring J, Lindvall C, Umeton R. Automated machine learning: Review of the state-of-the-art and opportunities for healthcare. Artif Intell Med. 2020 Apr;104:101822.
124. Phillips KA, Trosman JR, Douglas MP. Emergence of Hybrid Models of Genetic Testing Beyond Direct-to-Consumer or Traditional Labs [Internet]. Vol. 321, JAMA. 2019. p. 2403. Available from: http://dx.doi.org/10.1001/jama.2019.5670
125. Palazzo S, Spampinato C, Kavasidis I, Giordano D, Schmidt J, Shah M. Decoding Brain Representations by Multimodal Learning of Neural Activity and Visual Features. IEEE Trans Pattern Anal Mach Intell. 2020;1–1.
126. Deepak S, Ameer PM. Brain tumor classification using deep CNN features via transfer learning. Comput Biol Med. 2019 Aug;111:103345.
