Skip to main content

Inteligência Artificial esta mudando a Medicina

medicina

Inteligência artificial (IA) para diagnóstico, desenvolvimento de medicamentos, personalização de tratamento e edição de genes.

Inteligência artificial (IA) para diagnóstico, desenvolvimento de medicamentos, personalização de tratamento e edição de genes.

O aprendizado de máquina fez grandes avanços na eficiência farmacêutica e biotecnológica. Esse artigo tem como objetivo explicar as 4 principais aplicações da IA ​​na medicina hoje:

  1. Identificar doenças.

O diagnóstico preciso de doenças requer anos de treinamento médico. A identificação costuma ser um procedimento árduo e prolongado. Em diversos campos, a procura por especialistas supera em muito a oferta. Isso pressiona os médicos que em diversos momentos atrasam o diagnóstico de pacientes.

Machine Learning – especialmente algoritmos de Deep Learning – há pouco tempo fizeram grandes progressos no diagnóstico automático de enfermidades, transformando o diagnóstico mais popular e acessível.

De que modo as máquinas aprendem a diagnosticar.

Os algoritmos de Machine Learning são eficazes de assimilar e ver padrões de forma semelhante à maneira da forma que os médicos os veem. Uma diferença essencial é que os algoritmos têm a necessidade de diversos exemplos concretos para compreender. E esses exemplos precisam ser digitalizados com perfeição – as máquinas não podem ler nas entrelinhas dos livros didáticos.

Desta forma, o Machine Learning é especialmente útil em áreas em que os dados de diagnóstico avaliadas por um médico já aparecem digitalizadas, assim como:

  • Percepção de câncer de pulmão ou derrames com apoio em tomografias computadorizadas.
  • Analisar o risco de morte súbita cardíaca ou outras enfermidades cardíacas com apoio em eletrocardiogramas e imagens de ressonância magnética cardíaca.
  • Ordenação de lesões de pele em imagens de pele.
  • Atendendo indicadores de retinopatia diabética em imagens oculares.

diabetica

Como há muitas informações disponíveis nesses casos, os algoritmos estão se tornando tão bons em diagnósticos equivalentes a os especialistas. O que muda é: o algoritmo pode te dar resultados em uma fração de segundo e pode ser reproduzido de forma barata em todo o mundo. Logo em breve, em todos os lugares, será possível ter acesso à mesma qualidade de um especialista em diagnósticos radiológicos e por um preço bem menor.

 Diagnósticos de IA mais avançados.

A utilização de Machine Learning em diagnóstico só está apenas iniciando – sistemas mais audaciosos envolvem a junção de múltiplas fontes de dados (TC, MRI, genômica e proteômica, dados de pacientes e até arquivos manuscritos) na avaliação de uma doença ou sua progressão.

AI não substituirá médicos tão cedo.

É muito difícil que a IA substitua os médicos imediatamente. Em vez disso, os sistemas de IA serão utilizados ​​para apontar lesões potencialmente malignas ou padrões cardíacos arriscados para o especialista – concedendo que o médico se concentre na interpretação desses sinais.

  1. Desenvolva medicamentos mais rapidamente.

A produção de medicamentos é um processo notoriamente caro. Diversos dos processos analíticos envolvidos no desenvolvimento de medicamentos podem se tornar mais eficazes com Machine Learning. Com isso será possível de reduzir anos de trabalho e centenas de milhões em investimentos.

drugA IA já foi utilizado com êxito em todos os 4 estágios elementares do desenvolvimento de medicamentos.

Fase 1: Distinguindo alvos para intervenção.

Fase 2: Descobrindo candidatos a medicamentos.

Fase 3: Aumentando os ensaios clínicos.

Fase 4: Encontrar biomarcadores para diagnosticar a doença.

Fase 1: Distinguindo alvos para intervenção.

Para começar o desenvolvimento de medicamentos é compreender a origem biológica de uma doença (vias), bem como seus mecanismos de resistência, você terá que identificar bons alvos (normalmente proteínas) para cuidar da doença. Abrangente disponibilidade de técnicas de alto aproveitamento, como triagem de RNA em gancho curto (shRNA) e sequenciamento profundo, aumentaram a quantidade de dados à disposição para descobrir vias alvo viáveis. No entanto, com técnicas tradicionais, ainda é um desafio integrar o alto número e variedade de fontes de dados – e então encontrar os padrões relevantes.

Os algoritmos de aprendizagem da máquina podem explorar facilmente todos os dados disponíveis e são capazes até aprender a reconhecer automaticamente boas proteínas-alvo.

Etapa 2: Descobrindo candidatos a medicamentos.

Logo depois, é necessário encontrar um composto que possa comunicar-se com a molécula-alvo identificá-la da maneira desejada. Isso envolve a triagem de um grande número, muitas vezes milhares ou mesmo milhões de compostos potenciais por seu efeito no alvo (afinidade), sem apontar seus efeitos colaterais fora do alvo (toxicidade). Esses compostos podem ser naturais, sintéticos ou bioengenharia.

Não obstante, o software atual habitualmente é impreciso e produz muitas sugestões ruins (falsos positivos), por isso leva muito tempo para reduzi-lo aos melhores candidatos a medicamentos (conhecidos como leads).

Algoritmos de aprendizado de máquina também são capazes de ajudar: eles podem aprender a prever a adequação de uma molécula com base em impressões digitais estruturais e descritores moleculares. Logo depois, eles percorrem milhões de moléculas em potencial e as filtram até as melhores opções que também têm efeitos colaterais mínimos. Isso acaba poupando muito tempo no design de medicamentos.

Fase 3: Acelerar os ensaios clínicos.

É difícil conseguir candidatos adequados para ensaios clínicos. Se você selecionar os candidatos errados, isso prolongará o julgamento – custando muito tempo e recursos.

O aprendizado de máquina pode acelerar o design de ensaios clínicos distinguindo automaticamente os candidatos adequados, além de afirmar a distribuição correta para grupos de participantes do estudo. Algoritmos poderão auxiliar a reconhecer padrões que separam bons candidatos de maus. Além disso podem servir como um sistema de alerta precoce para um ensaio clínico que não está ocasionando resultados conclusivos – concedendo que os pesquisadores intervenham mais cedo e potencialmente atendendo o progresso do medicamento.

Etapa 4: encontrar biomarcadores para diagnosticar a doença.

Você irá poder tratar um paciente de uma doença quando tiver certeza de seu diagnóstico. Alguns procedimentos são muito caros e requer instrumentos de laboratório complicados, bem como entendimento especializado – como o sequenciamento completo do genoma.

Biomarcadores são moléculas achadas em fluidos corporais (habitualmente sangue humano) que dão a certeza se um paciente tem ou não uma doença. Eles tornam o procedimento de diagnóstico de uma doença seguro e barato.

Além disso pode usá-los para reconhecer a progressão da doença – tornando mais tangível para os médicos escolherem o tratamento correto e acompanhar se o medicamento está funcionando.

Mas localizar biomarcadores apropriados para uma determinada doença é difícil. É outro procedimento caro e demorado que envolve a triagem de dezenas de milhares de potenciais candidatos a moléculas.

A IA pode automatizar grande parte do trabalho manual e acelerar o procedimento. Os algoritmos categorizam as moléculas em candidatos bons e ruins – o que auxilia os médicos a se concentrarem na análise das melhores perspectivas.

Os biomarcadores podem ser usados ​​para identificar:

  • A existência de uma doença o mais cedo possível – biomarcador diagnóstico.
    ·        O perigo de um paciente desenvolver a doença – biomarcador de risco.
    ·        O provável crescimento de uma doença – biomarcador prognóstico.
    ·        Se um paciente responder a um medicamento – biomarcador preditivo.
  1. Personalize o tratamento.

 Diversificados pacientes reagem aos medicamentos e aos esquemas de tratamento de maneira distinto. Por isso, o tratamento personalizado tem uma imensa capacidade de aumentar a expectativa de vida dos pacientes. Mas é muito difícil reconhecer quais fatores devem afetar a escolha do tratamento.

O Machine Learning é capaz de automatizar esse complicado trabalho estatístico e auxiliar a encontrar quais características indicam que um paciente terá uma resposta específica a um tratamento específico. Desse modo, o algoritmo pode prever a provável resposta de um paciente a um tratamento específico.

 O sistema aprende isso cruzando pacientes semelhantes e confrontando seus tratamentos e resultados. As previsões de resultados resultantes tornam muito mais fácil para os médicos projetar o plano de tratamento correto.

  1. Melhore a edição genética.

Repetições Palindrômicas Curtas e Regularmente Interespaçadas Agrupadas (CRISPR), especificamente o sistema CRISPR-Cas9 para edição de genes, é um grande salto em nossa capacidade de editar DNA de maneira econômica e precisa, como um cirurgião.

Esse procedimento se baseia em RNAs guia curtos (sgRNA) para orientar e editar um local específico no DNA. Mas o RNA guia pode caber em inúmeros locais de DNA – e isso pode levar a efeitos colaterais indesejados (efeitos fora do alvo). A seleção cuidadosa do RNA guia com os efeitos colaterais menos perigosos é um grande gargalo na aplicação do sistema CRISPR.

Os modelos de aprendizado de máquina comprovaram produzir os melhores resultados quando se trata de predizer o grau de interações guia-alvo e efeitos fora do alvo para um determinado sgRNA. Isso pode acelerar significativamente o desenvolvimento de RNA guia para cada região do DNA humano.

Conclusão

A IA já está nos ajudando a diagnosticar doenças com mais eficiência, desenvolver medicamentos, personalizar tratamentos e até editar genes.

Mas isso é apenas o começo. Quanto mais digitalizamos e unificamos nossos dados médicos, mais podemos usar a IA para nos ajudar a encontrar padrões valiosos – padrões que podemos usar para tomar decisões precisas e econômicas em processos analíticos complexos.

Veja o artigo sobre: Como analise de dados pode aumentar suas vendas.
Visite o nosso site tambem: www.neomove.com.br

Leave a Reply

Fale com a gente

Este site é protegido pelo reCAPTCHA e pelo Google Privacy Policy e Terms of Service são aplicáveis.