Uma visita ao médico que gera uma solicitação de exame de sangue. Um retorno que gera outra solicitação de exame de sangue porque o médico quer “se certificar”. Esse é um looping pelo qual provavelmente todo mundo já passou ou vai passar na vida. Ou talvez não. Para Jonathan Chen, professor assistente de medicina da Universidade de Stanford, a inteligência artificial pode ajudar a quebrar esse ciclo por meio de um algoritmo.
Fundamentais e considerados a pedra angular da medicina de diagnóstico, os exames de sangue repetidos podem significar retrabalho e um excesso, uma vez que a chance de resultados repetidos inalterados é enorme. Além disso, a administração repetida do mesmo teste pode ser prejudicial ao paciente.
Para Jason Hom, professor assistente de medicina, além das desvantagens financeiras de testes desnecessários, em alguns casos os exames são feitos com tanta frequência que os pacientes podem até se tornar anêmicos.
A garantia de um diagnóstico é, sem dúvida, essencial, mas para Chen essa necessidade se dá devido à falta de diretrizes sobre o que constitui motivo para vários exames de sangue. Chen e sua equipe enfatizam que o algoritmo é um recurso que fornece evidências que devem ser levadas em consideração no caso de cada paciente, não um método de tomada de decisões para o médico ou pacientes.
Resumindo: o algoritmo informa ao médico qual a probabilidade de outro teste produzir um resultado diferente do primeiro.
A utilização de inteligência artificial já começou a ser testada e revela que médicos poderiam passar a reduzir testes muitas vezes repetidos. Os dados coletados no estudo piloto mostram que alguns desses testes são realizados com tanta proximidade que é fisiologicamente impossível ter alteração nos valores do resultado.
Para testar o algoritmo, Chen e sua equipe utilizaram dados de pacientes não identificados, como sinais vitais, condições médicas, sintomas, resultados de testes de laboratório e outros, para mostrar com que frequência exames de sangue relatavam alguma anormalidade. Os testes foram realizados em Stanford, na Universidade da Califórnia e na Universidade de Michigan.
“Este é um bom primeiro passo para mostrar que é realmente possível usar os dados dessa maneira para ajudar a reduzir testes desnecessários em laboratório. Porém, em última análise, nossa ideia é que as instituições usem nosso método e tecnologia, mas desenvolvam seus próprios algoritmos com base em seus próprios dados para gerar o mais alto nível de precisão possível”, diz Chen.
