DCC - UFMG
+55 31 3409 5860
ciia-saude@dcc.ufmg.br

Prevenção e qualidade de vida

Eixo temático

A prevenção das doenças, entendida como intervenções específicas, de base populacional e individual,  tem por objetivo minimizar a carga de doenças e fatores de risco associados. Na saúde pública, busca-se atuar  na perspectiva da prevenção das doenças, seja na prevenção primária, que visa impedir a ocorrência das  doenças antes que elas se desenvolvam, na prevenção secundária, ou diagnóstico precoce da doença já  instalada, e na prevenção terciária, ou na redução dos danos, visando limitação das incapacidades. Já a qualidade de vida é definida como a percepção do indivíduo de sua posição na vida no contexto da cultura e  dos sistemas de valores em que vive e em relação aos seus objetivos, expectativas, padrões e preocupações.62 A IA oferece vários caminhos para apoiar os objetivos centrais da saúde pública, que são melhorar a  qualidade de vida, promover boas condições de saúde a toda população por meio de estratégias preventivas,  de proteção contra doenças, de estímulo a estilos de vida saudáveis. Os modelos preditivos de IA têm sido  utilizados para estimar o risco de determinado desfecho ocorrer (doença, óbito), com base na identificação  das variáveis socioeconômicas, demográficas, contexto social, ambiental, bem como hábitos de vida e  condições de saúde do indivíduo. O conjunto de informações geradas por esses modelos pode maximizar a  efetividade de intervenções, sejam ações preventivas ou tratamentos e reduzir custos assistenciais. Pode  ainda auxiliar gestores a melhor direcionar intervenções. 

No contexto das doenças crônicas não transmissíveis, as experiências pioneiras de medição de escores  de risco, como o escore de risco cardiovascular de Framingham, levaram à identificação de pacientes com  risco mais elevado para complicações e morte, de forma a permitir que políticas públicas fossem direcionadas  àqueles com maior risco.63 Outros exemplos de estudos consistem em estimar indicadores em saúde em  pequenas áreas geográficas, e assim, produzir estimativas confiáveis para subgrupos com maior  vulnerabilidade. Utilizando covariáveis, como dados ambientais (radiação, ruídos, poluição, saneamento),  socioeconômicas (renda, escolaridade, moradia, emprego), podem apoiar modelos de estimação de risco e  assim subsidiar a formulação de políticas e programas de saúde pública 64

Em uma revisão sistemática, Ali e colaboradores (2016) evidenciaram que as pesquisas utilizando IA como  tecnologias móveis em saúde (mHealth) evoluíram de um sistema de apoio aos serviços de saúde (sistemas  de suporte à decisão, por exemplo) para fins mais diversificados, incluindo cuidados preventivos, promoção  da saúde, diagnóstico, tratamento e monitoramento 65. Dispositivos de telemonitoramento/vestíveis (por  exemplo pressão, oxigenação, peso, ECG, alimentação, atividade física, outros), bem como interação por chat  com Centro Clínico Virtual e Navegação por equipe hands-on, constituem-se em novas tecnologias, que têm  sido progressivamente empregadas e podem atuar como recursos aliados para o estabelecimento de  melhorias na qualidade da assistência à saúde da população, facilitando o autocuidado e a humanização da  atenção 66,67. Agrega-se ainda a potencialidade de usar dados de outros tipos de sensores virtuais como redes  sociais, rastreamento de localização por celular e outros, que poderiam complementar os dados do  monitoramento telemétrico 68. Tecnologias de IA, associadas à computação ubíqua e Internet das Coisas  permitem realizar o monitoramento contínuo e sistematizado de mais variáveis do indivíduo. Convém  ressaltar que a área da saúde é uma das verticais de serviços (junto com indústria, mobilidade e outros) que  definem requisitos para padronizações na área de Internet das Coisas 69 e em novas tecnologias de  comunicação. Os dados coletados a partir de sensores físicos e virtuais devem ser armazenados por longos  períodos de tempo, formando um mapa da vida de indivíduos e de populações, o que permitiria aplicar  técnicas de IA para predição de eventos e prevenção de doenças. Nesse contexto, tem-se o grande desafio de  coletar, integrar, combinar e armazenar com segurança dados de fontes heterogêneas e multimodais, com  múltiplas resoluções temporais e espaciais, garantindo, acima de tudo, a privacidade dos indivíduos  provedores dessas informações 70. Diversas técnicas podem ser posteriormente aplicadas sobre essas bases  de dados, visando obter dados ricos em discriminabilidade para alimentar modelos de IA que poderão ser  utilizados tanto para predição de desfechos do próprio paciente, como para tratamento e melhora do cuidado 71. Esses modelos permitirão melhorar a saúde do indivíduo, a adoção de práticas de autocuidado, prevenção  e promoção da saúde. Ortogonalmente a todas estas etapas, é também primordial que os processos de  obtenção, tratamento e preservação dos dados bem como o desenvolvimento de soluções de IA que os  utilizam estejam totalmente alinhados com princípios éticos associados a transparência, privacidade,  imparcialidade, responsabilidade, confiabilidade e inclusão, bem como com aspectos da legislação  relacionada (por exemplo, Lei Geral de Proteção de Dados) para que os diferentes usuários possam  compreender e confiar nas informações apresentadas, efetivamente se beneficiando das soluções  desenvolvidas.  

Pesquisadores Principais: Deborah Malta, César Victora, Philippe Navaux, Jussara Almeida


Referências:

62. WHO | WHOQOL: Measuring Quality of Life. 2014 Mar 11 [cited 2020 Jul 12]; Available from: https://www.who.int/healthinfo/survey/whoqol-qualityoflife/en/

63. Lloyd-Jones DM, Braun LT, Ndumele CE, Smith SC Jr, Sperling LS, Virani SS, et al. Use of Risk Assessment Tools to Guide Decision-Making in the Primary Prevention of Atherosclerotic Cardiovascular Disease: A Special Report From the American Heart Association and American College of Cardiology. Circulation. 2019 Jun 18;139(25):e1162–77.

64. Würthwein R, Gbangou A, Sauerborn R, Schmidt CM. Measuring the local burden of disease. A study of years of life lost in sub-Saharan Africa. Int J Epidemiol. 2001 Jun;30(3):501–8.

65. Ali EE, Chew L, Yap KY-L. Evolution and current status of mhealth research: a systematic review. BMJ Innovations [Internet]. 2016 Jan 1 [cited 2020 Jul 6];2(1). Available from: https://innovations.bmj.com/content/2/1/33.abstract

66. Malta DC, Merhy EE. O percurso da linha do cuidado sob a perspectiva das doenças crônicas não transmissíveis. Interface (Botucatu). 2010 Sep 17;14(34):593–606.

67. Inglis SC, Clark RA, Dierckx R, Prieto-Merino D, Cleland JGF. Structured telephone support or non-invasive telemonitoring for patients with heart failure. Cochrane Database Syst Rev. 2015 Oct 31;(10):CD007228.

68. Atzori L, Iera A, Morabito G. The Internet of Things: A survey. Computer Networks. 2010 Oct;54(15):2787–805.

69. ITU-T Recommendation database [Internet]. ITU. [cited 2020 Jul 16]. Available from: http://handle.itu.int/11.1002/1000/11559

70. White S. A review of big data in health care: challenges and opportunities. OAB. 2014 Oct;13.71. Perez-Rua J-M, Vielzeuf V, Pateux S, Baccouche M, Jurie F. MFAS: Multimodal Fusion Architecture Search [Internet]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. Available from: http://dx.doi.org/10.1109/cvpr.2019.00713

71. Perez-Rua J-M, Vielzeuf V, Pateux S, Baccouche M, Jurie F. MFAS: Multimodal Fusion Architecture Search [Internet]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. Available from: http://dx.doi.org/10.1109/cvpr.2019.00713