Python no setor de saúde: Aplicativos de IA em hospitais

Índice

Introdução

Uso do Python para diagnóstico de imagens

• Detecção e classificação de tumores
• Detecção de anormalidades cardiovasculares
• Detecção de fraturas e outras lesões
• Triagem de cânceres comuns

Uso do processamento de linguagem natural (NLP) no setor de saúde

• Uso de NLP para criar um sistema de suporte a decisões clínicas (CDS)
• Uso da PNL para aprimorar os recursos de fenotipagem
• Previsão do início da psicose
• Identificação e estratificação de risco de pacientes com cirrose
• Identificação de casos de câncer notificáveis
• Aplicação de NLP para análise preditiva

Usando Python para prever e analisar doenças complexas

Usando Python para melhorar a experiência do paciente

Aprimoramento das operações hospitalares

Descoberta de medicamentos

Futuro do uso de Python no setor de saúde

Conclusão

Introdução

No mundo moderno, os computadores e smartphones tomaram conta de muitos aspectos de nossas vidas, e o setor de saúde não é exceção.  Os profissionais de saúde estão migrando cada vez mais os dados de saúde e de assistência médica do papel para os formatos eletrônicos, e os estabelecimentos de saúde estão gerando enormes quantidades de dados como resultado.  Python é uma linguagem de programação essencial que os cientistas de dados usam para criar soluções para vários desafios na área da saúde e oferece um conjunto diversificado de ferramentas para gerar percepções significativas dos dados para os profissionais da área da saúde. Os médicos podem usar aplicativos baseados em Python para fazer melhores prognósticos e melhorar a qualidade da prestação de serviços de saúde.  No setor de saúde, os cientistas de dados usam Python principalmente para criar algoritmos de aprendizado de máquina e aplicativos de software para:

• Realização de diagnósticos médicos
• Aumento da eficiência das operações hospitalares
• Estudos genômicos
• Descoberta de medicamentos
• Análise preditiva

Os principais aplicativos do Python na área da saúde são baseados em algoritmos de aprendizado de máquina (ML) e processamento de linguagem natural (NLP). Esses aplicativos incluem diagnósticos de imagens, processamento de linguagem natural de documentos médicos e previsão de doenças usando a genética humana. Esses aplicativos são essenciais para o setor de saúde: eles processam e analisam os dados em informações compreensíveis, significativas e confiáveis para pacientes e profissionais de saúde. A seção a seguir fornece detalhes de como os cientistas de dados e profissionais de saúde usam ML e NLP em Python para resolver desafios de saúde e melhorar os resultados de saúde dos pacientes.  

Uso do Python para diagnóstico de imagens

Um dos desenvolvimentos tecnológicos mais promissores na área da saúde é o uso de ML para analisar várias imagens, como ressonância magnética (MRI), tomografia computadorizada (CT) e imagem por tensor de difusão (DTI), para fornecer diagnósticos. Embora o cérebro humano possa ter dificuldade para analisar várias imagens simultaneamente, as soluções de aprendizado de máquina são boas para processar várias informações e produzir um único resultado de diagnóstico. Sarker (2021) fornece exemplos de aplicações reais de aprendizado de máquina na área da saúde e na direção de pesquisas.  Também é importante observar que a precisão do uso do Python no aprendizado de máquina para análise de imagens é de cerca de 92%. Isso fica um pouco abaixo da precisão de 96% para clínicos seniores. No entanto, quando os patologistas examinam os modelos de aprendizado de máquina, a taxa de precisão pode aumentar para 99,5%. 

Detecção e classificação de tumores

Uma das aplicações mais comuns das tecnologias de aprendizado de máquina na área da saúde é a detecção de tumores usando a detecção automatizada por computador (CAD). Essas técnicas aplicam CNNs para calcular a probabilidade de que uma lesão seja de fato uma lesão. Por exemplo, na mamografia, as ferramentas de IA podem fornecer uma "segunda" opinião para muitos radiologistas. Isso melhora significativamente a precisão das triagens sem aumentar o custo relacionado ao uso de um ser humano para dar uma "segunda opinião".

Os médicos têm enfrentado desafios com a detecção e a classificação do glioblastoma, um tipo de tumor cerebral. A dificuldade está na natureza invasiva e difusa desses tumores. Diferentemente de outros tumores cerebrais, é difícil localizar esses tumores e avaliar como eles respondem ao tratamento. A aprendizagem profunda ajuda a automatizar a avaliação de MRIs de glioblastoma.

Detecção de anormalidades cardiovasculares 

O uso do Python para automatizar a detecção de anormalidades cardíacas a partir de imagens, como radiografias de tórax, pode acelerar a tomada de decisões e reduzir os erros de diagnóstico. Quando um paciente apresenta sintomas como falta de ar, os médicos geralmente solicitam uma radiografia do tórax para detectar cardiomegalia. As ferramentas de IA criadas com Python podem ajudar a automatizar as tarefas de avaliação, como a medição do diâmetro da artéria pulmonar e a medição do ângulo da carina. Por exemplo, a figura abaixo mostra como os cientistas de dados usam o ML para prever doenças cardiovasculares usando as características clínicas dos pacientes (como gênero, status de tabagismo e risco de hipertensão, entre outros fatores). O modelo teve uma precisão de cerca de 76% (Weng et al., 2017). 

Fonte: Weng et al. (2017)

Os algoritmos de ML podem avaliar imagens e gerar relatórios automaticamente, economizando o tempo de profissionais humanos na classificação de anormalidades a partir de medições normais. 

Detecção de fraturas e outras lesões

Os cientistas de dados podem usar ferramentas baseadas em ML para identificar luxações, fraturas e lesões de tecidos moles difíceis de visualizar, permitindo que os cirurgiões façam escolhas de tratamento mais confiantes. O uso de algoritmos imparciais para analisar imagens pode ajudar os médicos a levar em conta todas as lesões e oferecer os melhores tratamentos. As ferramentas de IA podem ajudar a realizar uma análise abrangente das imagens médicas e gerar relatórios precisos em tempo hábil, minimizando o risco para o paciente, os falsos negativos e o risco legal para os médicos.

Detecção de doenças e complicações torácicas 

Doenças torácicas, como a pneumonia, exigem reações rápidas dos profissionais de saúde. Os médicos usam imagens radiológicas para diagnosticar a pneumonia e distinguir a condição de outras doenças pulmonares, como a COVID-19. No entanto, conforme Hasan et al. (2021) demonstram que os radiologistas nem sempre podem estar disponíveis para analisar as imagens e redigir relatórios para os médicos. Mesmo quando estão disponíveis, eles podem ter dificuldade em identificar a pneumonia se o paciente tiver problemas pulmonares pré-existentes. Um algoritmo de IA baseado em Python pode analisar radiografias e outras imagens médicas para detectar pneumonia e, em seguida, alertar automaticamente os profissionais de saúde para que ofereçam o tratamento adequado.

Triagem de cânceres comuns

Os oncologistas usam imagens médicas para realizar exames preventivos de rotina para cânceres, como o câncer de cólon, de próstata e de mama. No rastreamento do câncer de mama, os radiologistas podem ter o desafio de classificar de forma conclusiva um tumor como benigno ou maligno. Os falsos positivos podem levar a testes ou tratamentos invasivos desnecessários, enquanto as neoplasias malignas não detectadas podem causar atrasos nos diagnósticos e resultados adversos. O uso da IA pode ajudar a melhorar a precisão da leitura de imagens médicas, reduzindo potencialmente a taxa de biópsias benignas desnecessárias.

Uso do processamento de linguagem natural (NLP) no setor de saúde

Os cientistas de dados e os profissionais da área de saúde usam ferramentas de processamento de linguagem natural (NLP) para processar e analisar uma ampla gama de fatores, incluindo encontros com pacientes, sintomas e sinais vitais, entre outros. A PNL pode oferecer uma maneira mais barata de digitalizar rapidamente documentos médicos e integrar as informações resultantes em um banco de dados, pois os sistemas de PNL extraem dados legíveis de textos e imagens para identificar palavras-chave e termos. Há muitas possibilidades interessantes para a aplicação da PNL na área da saúde. Esses aplicativos destinam-se principalmente a aprimorar a pesquisa médica e a medicina. Esta seção destaca alguns usos da PNL na área da saúde. A lista não é exaustiva, mas um destaque de algumas aplicações de aplicativos de aprendizado de máquina. 

Uso de NLP para criar um sistema de suporte a decisões clínicas (CDS)

É possível usar a PNL para criar um sistema para melhorar o suporte a decisões clínicas (CDS) usando registros históricos de pacientes. Esse sistema pode ajudar os médicos a tomar decisões clínicas para os pacientes com base em um banco de dados de conhecimento. O banco de dados pode incluir informações extraídas de anotações médicas (escritas à mão ou digitadas), laboratórios ou áudio transcrito. O sistema funciona extraindo informações do paciente dos registros médicos e, em seguida, associando possíveis estados de doença com base nas informações de casos anteriores e/ou da literatura. 

Uso da PNL para aprimorar os recursos de fenotipagem

Um fenótipo é uma expressão observável de uma característica específica (física ou bioquímica) em um organismo. Os médicos usam a fenotipagem para classificar os pacientes a fim de obter uma visão mais profunda de seus dados e fazer comparações com coortes.

• A PNL é uma ferramenta valiosa para extrair e analisar dados não estruturados, que representam 80% de todos os dados de pacientes disponíveis. 
• A NLP também permite uma fenotipagem mais rica porque os relatórios de patologia contêm muitas informações sobre os pacientes. 
• A PNL permite que os analistas extraiam esses dados para responder a perguntas complexas e específicas, como quais mutações genéticas estão associadas a tipos de tecidos cancerígenos.

Previsão do início da psicose

Os pesquisadores publicaram um relatório sobre a aplicação da PNL, usando uma técnica conhecida como Análise Semântica Latente, para prever o início da psicose usando arquivos de áudio transcritos de jovens com alto risco clínico. O modelo alcançou uma precisão de 93% no treinamento e 90% nos conjuntos de dados de teste. O modelo foi bem-sucedido em prever se um paciente desenvolveria psicose, apesar do pequeno tamanho da amostra de 40 participantes.

Identificação e estratificação de risco de pacientes com cirrose

Outra aplicação da PNL no setor de saúde é a identificação de pacientes com cirrose. Outro estudo usou a PNL para identificar pacientes com cirrose e estratificar os pacientes quanto ao risco. Este estudo conseguiu identificar corretamente os pacientes com cirrose a partir de registros eletrônicos de saúde, combinações de códigos ICD-9 e exames radiológicos com uma precisão de 95,71%. Isso indica que esse sistema poderia identificar corretamente os pacientes com cirrose com base nos dados médicos existentes na maioria dos hospitais.

Identificação de casos de câncer notificáveis

Outro estudo usou a NLP para identificar casos de câncer relatáveis para registros nacionais de câncer. O objetivo era automatizar a notificação de pacientes com câncer para o Programa Nacional de Registros de Câncer nos EUA. O estudo usou a PNL para analisar relatórios e diagnósticos de patologia e identificar pacientes com câncer usando o aprendizado de máquina supervisionado com uma precisão de 87,2%.

Aplicação de NLP para análise preditiva

Um dos benefícios mais interessantes da PNL é sua capacidade de permitir o desenvolvimento de análises preditivas para melhorar os resultados de saúde em uma população. Um exemplo é a análise de publicações em mídias sociais para detectar possíveis casos de suicídio e intervir. O suicídio é uma das principais causas de morte nos Estados Unidos. Em uma pesquisa recente, o National Institute of Mental Health (NIMH) mostrou que cerca de 12 milhões de adultos nos Estados Unidos já tiveram pensamentos suicidas graves. Cerca de 10% desse grupo fez planos e tentou suicídio. 

Fonte: NIMH (2021). Pensamentos e comportamentos suicidas entre adultos dos EUA.

Os profissionais de saúde querem identificar indivíduos ou grupos que estejam em risco para que possam intervir. Há vários estudos que preveem tentativas de suicídio usando publicações em mídias sociais. Um estudo usou dados do Twitter para desenvolver um modelo com um alto nível de precisão (cerca de 70%). As principais descobertas incluíram que os usuários em risco iminente de cometer suicídio publicaram menos emojis em texto e usaram principalmente emojis azuis ou símbolos de coração partido. Eles também publicaram tweets tristes ou raivosos antes de tentar o suicídio. Coppersmith (2018) também previu instâncias de suicídio usando NLP com uma precisão de mais de 70% (veja a figura com ROC).

Fonte: Coppersmith et al. (2018)

As organizações de saúde já estão usando a PNL para colher os frutos mais fáceis da enorme árvore da ciência de dados. As principais entidades de tecnologia estão criando cada vez mais ferramentas de PNL para a área da saúde. Por exemplo, a Amazon tem uma ferramenta de PNL clínica fácil de usar que ajuda os médicos a extrair insights de dados não estruturados. Eles podem facilmente recrutar pacientes para um estudo experimental, encontrar o diagnóstico correto para os pacientes e criar sistemas de alerta para a detecção precoce de doenças como a esclerose.

Usando Python para prever e analisar doenças complexas

Os analistas usam algoritmos de aprendizado de máquina em Python para analisar a genética para prever doenças e estabelecer a causa da doença. A obtenção de informações sobre como a genética afeta o risco de um indivíduo pode ajudar na prevenção da saúde, fornecendo informações importantes para os médicos sobre como personalizar os planos de saúde dos pacientes, a fim de reduzir o risco de contrair doenças mais complexas. 

É difícil prever como qualquer doença evoluirá e muitos sistemas são ineficientes nessa tarefa, pois algumas doenças sofrem mutações rápidas e inesperadas. Usando Python, os desenvolvedores podem criar modelos eficientes de aprendizado de máquina que podem prever doenças antes que elas se tornem graves.

Um dos principais desenvolvimentos são as técnicas de sequenciamento de próxima geração (NGS) em genética humana. O NGS é parte integrante da pesquisa biológica e médica. A importância fundamental do NGS propagou a demanda por processamento e análise dos conjuntos de dados gerados. Isso ajuda a abordar questões de pesquisa sobre vários assuntos, como quantificação e classificação metagenômica, identificação de variantes e detecção de recursos genômicos. 

Em outro exemplo, Li et al. (2018) usa algoritmos de aprendizagem profunda treinados em uma unidade de processamento gráfico (GPU) para prever a heterogeneidade e a epistasia de doenças complexas.

Com o aprendizado de máquina, os cientistas podem encontrar padrões e tendências de doenças que podem ser modelados de forma mais previsível. Assim, o aprendizado de máquina tem o potencial de prever com precisão as pessoas que correm o risco de contrair determinadas doenças, como doenças cardiovasculares, cânceres e mal de Alzheimer. 

Por fim, o Google desenvolveu um algoritmo de aprendizagem profunda para detectar câncer em pacientes usando seus dados médicos. O modelo é eficiente e não apenas acelera o processo de tratamento, mas também reduz o risco de um paciente ter complicações graves no futuro devido a um diagnóstico ruim.

Usando Python para melhorar a experiência do paciente

O gerenciamento de pacientes pode exigir recursos significativos. As instalações com equipe limitada podem ter dificuldades para cuidar das consultas, dos tratamentos e do bem-estar geral dos pacientes. O desenvolvimento de aplicativos de saúde em Python pode ajudar as instalações de saúde a gerenciar pacientes, ajudando a equipe a se concentrar em atividades essenciais. 

Os aplicativos Python podem ajudar os pacientes a agendar consultas, obter respostas a perguntas frequentes, solicitar recargas de medicamentos, entrar em contato com serviços de emergência e atualizar regularmente seus dados de saúde para monitoramento, permitindo que os profissionais de saúde se concentrem no tratamento de pacientes com doenças graves. 

Aprimoramento das operações hospitalares

As instituições de saúde podem aproveitar o Python para resolver problemas relacionados a restrições de recursos. Os cientistas de dados podem criar modelos que otimizem a equipe para que os estabelecimentos de saúde possam evitar problemas como excesso de pessoal em um turno com baixa admissão ou falta de pessoal em dias movimentados. 

Os aplicativos orientados por Python podem otimizar as consultas, o uso de instalações de diagnóstico e o tratamento. Os hospitais têm recursos limitados de UTI e precisam otimizar o uso dessas instalações. Em seu estudo, Wu et al. (2021) usou o ML para prever o tempo de permanência na unidade de terapia intensiva (UTI) entre os pacientes da UTI. Eles usaram quatro técnicas de ML diferentes (máquina de vetor de suporte, floresta aleatória, aprendizagem profunda e árvore de decisão com aumento de gradiente). O último modelo, a árvore de decisão de aumento de gradiente, teve o melhor desempenho com uma precisão de 74,7%.   De acordo com analistas do setor, os aplicativos de IA têm o potencial de economizar para a economia dos EUA cerca de US$ 150 bilhões por ano até 2026(Roth, 2021). 

Existem conjuntos de dados de código aberto que, como cientista de dados, você pode usar para desenvolver ML para prever a permanência na UTI e ajudar os hospitais a planejar seus recursos. Confira este link do Kaggle para começar.  Além disso, os cientistas de dados podem liberar o poder do Python por meio de ferramentas de ML, como Scikit-Learn, Keras, TensorFlow e Pytorch, para melhorar a forma como os provedores de serviços de saúde gerenciam seus custos e instalações. 

Descoberta de medicamentos 

A linguagem de programação Python é uma das principais linguagens escolhidas para a descoberta de medicamentos modernos. Praticamente todos os anúncios de emprego publicados no site indeed.com sobre descoberta de medicamentos exigem experiência em Python. Portanto, aprender Python não é mais uma escolha, mas um requisito para carreiras relacionadas à descoberta de medicamentos. 

Um bom exemplo de uso do Python na descoberta de medicamentos é o PyMOL da AstraZeneca. A AstraZeneca é uma das empresas que está aproveitando o Python para acelerar a descoberta de medicamentos. O PyMOL é uma ferramenta avançada para exibir as estruturas 3D de alvos de doenças. A ferramenta tem 12 modos diferentes de visualização estéreo que permitem aos usuários destacar e diferenciar com competência vários recursos estruturais nos alvos. Os cientistas usam ferramentas para encontrar os locais de ligação apropriados para as moléculas de medicamentos. A ferramenta foi projetada para se adaptar bem a novos métodos de previsão. A figura abaixo mostra como a ferramenta examina milhões de dados para ajudar a projetar protótipos de medicamentos. 

Fonte: PyMOL

O PyMOL permite a visualização das estruturas tridimensionais (3D) dos organismos-alvo da doença. Usando as visualizações, os cientistas obtêm uma melhor compreensão dos problemas fundamentais para que possam projetar novas construções moleculares para o enfrentamento adequado da doença.

Futuro do uso de Python na área de saúde

O influxo de conjuntos de dados de saúde grandes e complexos, a necessidade de redução de custos e a diminuição do tamanho da força de trabalho do setor de saúde estão impulsionando o crescimento das ferramentas de IA/ML no mercado. Há também um número crescente de colaborações e parcerias entre profissionais humanos e ferramentas baseadas em IA. O futuro parece brilhante para os desenvolvedores de IA/ML e PNL, com algumas start-ups já desenvolvendo sistemas de IA com reconhecimento humano. Há um aumento constante no uso de robôs na área da saúde. 

As novas aplicações de robôs na área da saúde variam de exoesqueletos e próteses a nano-robôs e robôs cirúrgicos. Nos EUA, o mercado de robótica na área de saúde crescerá para cerca de US$ 32,5 bilhões até 2027, com um CAGR estimado de 21,3% para o período de 2020 a 2027(Xavor, 2021). 

A luta contra a COVID-19 continuará a impulsionar o crescimento do mercado, com tecnologias de IA implementadas para diagnósticos por imagem, descoberta de medicamentos, genômica e análise preditiva.

Fonte: Mercados e Mercados (2022).

Os EUA A National Library of Medicine destaca que a medicina de precisão é "uma abordagem emergente para o tratamento e a prevenção de doenças que considera a variabilidade individual dos genes, do ambiente e do estilo de vida de cada pessoa". 

O futuro da área da saúde está nas mãos da IA/ML, e a medicina de precisão provavelmente será um dos benefícios mais impactantes do uso da IA/ML na área da saúde. 

O objetivo da medicina de precisão é encontrar opções de tratamento precisas para um paciente com base em seu histórico médico pessoal, informações genéticas, escolhas de estilo de vida e testes patológicos que mudam dinamicamente. O objetivo subjacente é combinar as técnicas de IA mais avançadas (como redes neurais profundas, algoritmos de pesquisa, aprendizado por reforço, modelos probabilísticos, aprendizado supervisionado e outros) para desenvolver ferramentas de medicina de precisão.  Seu foco é criar sistemas de IA que possam prever a probabilidade de os pacientes terem uma determinada doença usando dados de triagem precoce ou de exames de rotina, e a Python está na vanguarda da busca pela medicina de precisão, com desenvolvedores criando ferramentas de IA para modelar por que e em que circunstâncias as doenças têm maior probabilidade de ocorrer. Isso é importante para preparar e orientar os profissionais de saúde a intervir mesmo antes de um indivíduo apresentar sintomas.

Há outras possibilidades realmente interessantes para o uso do Python na criação de aplicativos de IA/ML, como robôs cirúrgicos digitais. Imagine uma sala de cirurgia onde um paciente entra para que robôs realizem procedimentos precisos nele, com segurança e precisão!

Fonte: Análise dos negócios de robótica (2022)

Os robôs inteligentes com tecnologia de IA poderiam trabalhar lado a lado com os cirurgiões e aproveitar as percepções e orientações distribuídas e orientadas por dados com base em históricos de cirurgias e seus resultados. As possibilidades de uso da Python na área da saúde são infinitas, com o futuro aberto para a telemedicina e a realização de cirurgias remotas para procedimentos menores. 

Conclusão 

A aplicação da Python no setor de saúde não está livre de desafios. A privacidade dos dados e os desafios da estrutura jurídica ainda impedem sua aplicação total. Também ainda é difícil encontrar dados que os provedores terceirizados possam usar legalmente. É necessário um grande esforço de racionalização dos aspectos legais e da formulação de políticas para enfrentar esses desafios. 

Como cientistas de dados e profissionais de ML, temos a responsabilidade de criar um futuro brilhante, aproveitando o poder dos algoritmos de IA para economizar custos e melhorar a vida de bilhões de pessoas em todo o mundo. 

Você pode adquirir habilidades práticas em Python codificando junto com os seguintes projetos guiados:

• O que sua frequência cardíaca está lhe dizendo

• Agrupamento de dados de pacientes com doenças cardíacas

• Pedras nos rins e o Paradoxo de Simpson