{"id":378231,"date":"2024-05-09T00:01:00","date_gmt":"2024-05-08T22:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/?p=378231"},"modified":"2024-04-30T23:43:51","modified_gmt":"2024-04-30T21:43:51","slug":"oportunidades-e-riscos-da-ia-4","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/pt-pt\/oportunidades-e-riscos-da-ia-4\/","title":{"rendered":"Oportunidades e riscos da IA"},"content":{"rendered":"\n

O termo intelig\u00eancia artificial remonta aos anos 50. s\u00e9culo XX e engloba um conjunto de tecnologias que permitem a um computador imitar as caracter\u00edsticas t\u00edpicas da intelig\u00eancia humana. Inicialmente, foram depositadas grandes esperan\u00e7as nestas tecnologias e foram feitas tentativas iniciais para as estabelecer na medicina. No in\u00edcio do No s\u00e9culo XXI, a investiga\u00e7\u00e3o sobre a IA em medicina foi bastante silenciosa devido aos resultados inicialmente s\u00f3brios. No entanto, v\u00e1rios desenvolvimentos importantes abriram o caminho para o avan\u00e7o da tecnologia.<\/strong><\/p>\n\n\n\n

\n\t
\n\t\t\n\n\n\n
<\/div>\n\n\n\n
\n
Inicie o teste CME<\/a><\/div>\n<\/div>\n\n\t<\/div>\n\t<\/div>\n\n

O termo intelig\u00eancia artificial teve origem nos anos 50 e engloba um conjunto de tecnologias que permitem a um computador emular caracter\u00edsticas t\u00edpicas da intelig\u00eancia humana [1]. Inicialmente, foram depositadas grandes esperan\u00e7as nestas tecnologias e foram feitas tentativas iniciais para as estabelecer na medicina. Exemplos dos anos 70 s\u00e3o programas para a identifica\u00e7\u00e3o de bact\u00e9rias em doen\u00e7as infecciosas [2] ou para o progn\u00f3stico de doen\u00e7as coron\u00e1rias [3]. Uma certa desilus\u00e3o ocorreu nos anos 90: um editorial [4] no famoso jornal New England Journal of Medicine<\/em> deu aos programas de diagn\u00f3stico assistidos por computador dispon\u00edveis na altura uma nota “C”, que corresponde aproximadamente a um “3” no sistema de classifica\u00e7\u00e3o su\u00ed\u00e7o. Estes programas produziram um falso diagn\u00f3stico em 30 a 50 por cento dos casos, o que dificultou a sua utiliza\u00e7\u00e3o e aceita\u00e7\u00e3o na cl\u00ednica. No in\u00edcio do s\u00e9culo XXI, a investiga\u00e7\u00e3o sobre intelig\u00eancia artificial em medicina era bastante silenciosa devido aos resultados inicialmente s\u00f3brios. No entanto, v\u00e1rios desenvolvimentos importantes abriram o caminho para o avan\u00e7o da tecnologia.<\/p>\n\n

Aprendizagem profunda<\/h3>\n\n

Por um lado, tem havido uma expans\u00e3o constante na utiliza\u00e7\u00e3o de registos m\u00e9dicos electr\u00f3nicos. Os computadores ganharam assim acesso a grandes conjuntos de dados m\u00e9dicos. A grande quantidade de dados permitiu criar e desenvolver ainda mais uma nova gera\u00e7\u00e3o de programas de intelig\u00eancia artificial. Estes programas foram desenvolvidos nos anos 2010 e est\u00e3o agora resumidos sob o termo Aprendizagem Profunda <\/em>. Isto \u00e9 entendido como sendo algoritmos baseados em redes neurais artificiais que podem reconhecer padr\u00f5es em grandes quantidades de dados com alta precis\u00e3o. Notavelmente – e com grande significado para a medicina – estes programas t\u00eam uma not\u00e1vel capacidade de reconhecer estruturas em imagens [5]. Em compara\u00e7\u00e3o directa com os telespectadores humanos, os computadores demonstraram um desempenho muito melhor no reconhecimento de padr\u00f5es em imagens, abaixo da taxa de erro humano de 5% [6]. Um grupo de investiga\u00e7\u00e3o da Universidade de Stanford na Calif\u00f3rnia aplicou tecnologia de Aprendizagem Profunda <\/em>no campo da dermatologia em 2017. Num papel inovador, foi demonstrado que os computadores est\u00e3o ao n\u00edvel dos dermatologistas na detec\u00e7\u00e3o de les\u00f5es cut\u00e2neas malignas [6]. Desde esta publica\u00e7\u00e3o h\u00e1 quatro anos, tem havido uma prolifera\u00e7\u00e3o de novos artigos relatando resultados semelhantes numa vasta gama de disciplinas de diagn\u00f3stico (por exemplo, em patologia ou radiologia [7\u201310]). Paralelamente ao reconhecimento da imagem – e com um significado igualmente vasto para a medicina – a tecnologia de aprendizagem profunda<\/em>tamb\u00e9m levou a avan\u00e7os no reconhecimento da fala nos \u00faltimos anos [11]. Isto significa que os computadores podem cada vez mais compreender e analisar dados m\u00e9dicos escritos em linguagem natural (relat\u00f3rios de quita\u00e7\u00e3o, relat\u00f3rios de diagn\u00f3stico, etc.) ou mesmo escrever eles pr\u00f3prios textos [12]. Em resumo, pode dizer-se o seguinte: Gra\u00e7as aos registos m\u00e9dicos electr\u00f3nicos, o computador tem um acesso mais amplo aos dados m\u00e9dicos que ainda se encontram predominantemente de forma n\u00e3o estruturada (imagens ou texto). Uma tecnologia (Deep Learning)<\/em> pode processar eficazmente estes dados n\u00e3o estruturados e \u00e9 assim capaz de emular cada vez mais actividades m\u00e9dicas (diagn\u00f3stico, decis\u00e3o terap\u00eautica ou elabora\u00e7\u00e3o de um relat\u00f3rio de sa\u00edda).<\/p>\n\n

At\u00e9 que ponto e em que prazo estas novas tecnologias ir\u00e3o influenciar a medicina permanece uma quest\u00e3o em aberto. Na pr\u00f3xima sec\u00e7\u00e3o, iremos explorar estas quest\u00f5es e prestar especial aten\u00e7\u00e3o \u00e0s oportunidades e riscos da intelig\u00eancia artificial na pr\u00e1tica m\u00e9dica di\u00e1ria (Tab. 1)<\/span>.<\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>\n

Utiliza\u00e7\u00e3o de IA na pr\u00e1tica cl\u00ednica di\u00e1ria: concurso para o profissional m\u00e9dico?<\/h2>\n\n

Existe actualmente um interesse crescente na utiliza\u00e7\u00e3o da intelig\u00eancia artificial (IA) para complementar, melhorar ou mesmo substituir a intelig\u00eancia diagn\u00f3stica do m\u00e9dico. Os defensores da IA esperam que tais tecnologias possam melhorar a efici\u00eancia do diagn\u00f3stico, bem como a precis\u00e3o do diagn\u00f3stico (com menos sub e sobre-diagn\u00f3stico) [13].<\/p>\n\n

No entanto, outros argumentaram que isto criar\u00e1 uma carga adicional de informa\u00e7\u00e3o durante uma hora de consulta j\u00e1 sobrecarregada. Poderia fazer muito pouco para melhorar os resultados dos pacientes, os n\u00edveis de stress dos m\u00e9dicos de cl\u00ednica geral ou a posi\u00e7\u00e3o financeira do servi\u00e7o de sa\u00fade. Estes argumentos baseiam-se por vezes na experi\u00eancia com os sistemas existentes que apoiam os m\u00e9dicos em actividades como a detec\u00e7\u00e3o de interac\u00e7\u00f5es medicamentosas e frequentemente n\u00e3o conseguem convencer devido a falsos alarmes ou interven\u00e7\u00f5es n\u00e3o relevantes [14].<\/p>\n\n

No entanto, com uma nova gera\u00e7\u00e3o de sistemas de IA, \u00e9 de esperar que estes se estabele\u00e7am na pr\u00e1tica cl\u00ednica di\u00e1ria a longo prazo. A raz\u00e3o reside principalmente na capacidade destes sistemas para estudar um n\u00famero ilimitado de casos e assim aperfei\u00e7oar um algoritmo de diagn\u00f3stico. Um radiologista, por exemplo, tem acesso a um grande mas depois limitado n\u00famero de imagens radiol\u00f3gicas durante a sua forma\u00e7\u00e3o e tamb\u00e9m actividade profissional, que pode utilizar para agu\u00e7ar as suas capacidades de diagn\u00f3stico. Em contraste, os computadores t\u00eam acesso a todas as imagens radiol\u00f3gicas potencialmente adquiridas em um ou mais hospitais. O computador pode, assim, recorrer a imagens radiol\u00f3gicas e descobertas de centenas de radiologistas, emulando efectivamente, embora indirectamente, o seu conhecimento colectivo. Um \u00fanico radiologista tem assim uma desvantagem em rela\u00e7\u00e3o a um computador.<\/p>\n\n

Estas novas gera\u00e7\u00f5es de sistemas de IA n\u00e3o t\u00eam necessariamente de funcionar autonomamente (sem supervis\u00e3o m\u00e9dica), uma vez que j\u00e1 s\u00e3o utilizados em oftalmologia para o diagn\u00f3stico de retinopatia diab\u00e9tica [9]. Em vez disso, a IA apoiar\u00e1 actividades m\u00e9dicas, por exemplo em sistemas de IA radiol\u00f3gica que d\u00e3o prioridade \u00e0s imagens radiol\u00f3gicas ainda a avaliar de acordo com a gravidade no fundo ou em sistemas de assist\u00eancia<\/em> baseados na IA que alertam o radiologista para uma fractura na imagem radiol\u00f3gica e aumentam comprovadamente a precis\u00e3o do diagn\u00f3stico [17]. Se os especialistas ir\u00e3o realmente aceitar e utilizar esta ajuda de IA ainda \u00e9 uma quest\u00e3o em aberto neste momento. Em qualquer caso, os n\u00e3o especialistas, m\u00e9dicos de cl\u00ednica geral, m\u00e9dicos em forma\u00e7\u00e3o e outro pessoal m\u00e9dico ser\u00e3o autorizados pela IA a realizar eles pr\u00f3prios exames de diagn\u00f3stico complexos.<\/p>\n\n

Deve-se notar aqui, contudo, que um sistema de IA nunca pode substituir completamente o m\u00e9dico, uma vez que o sistema carece de empatia e compaix\u00e3o para com o paciente por enquanto. Um m\u00e9dico deve compreender o contexto do paciente e aceitar as circunst\u00e2ncias sociais e psicol\u00f3gicas com empatia, cuidado e compaix\u00e3o. O conhecimento expl\u00edcito sobre o valor preditivo dos sintomas pode ser ensinado a um sistema de IA, mas que aprende como ganhar a confian\u00e7a de uma pessoa \u00e9 improv\u00e1vel nesta fase.<\/p>\n\n

Melhorar a qualidade da medicina<\/h3>\n\n

No entanto, os sistemas de IA devidamente aplicados poderiam trazer um aumento da qualidade dos cuidados m\u00e9dicos. Os sistemas de IA n\u00e3o apresentam fadiga e garantem um desempenho de diagn\u00f3stico constante independentemente da hora do dia ou do volume do paciente. A IA pode monitorizar os processos m\u00e9dicos em segundo plano e tomar medidas correctivas. Otimamente, a IA poderia levar a economias de tempo significativas e, assim, melhorar a qualidade da rela\u00e7\u00e3o paciente-m\u00e9dico. Em termos concretos, os m\u00e9dicos poderiam deixar os exames de rotina para a IA e dedicar mais tempo a falar com os pacientes. Um exemplo da pr\u00e1tica dos m\u00e9dicos de cl\u00ednica geral seria o aconselhamento de um paciente com diabetes mellitus tipo 2. Actualmente, os m\u00e9dicos de cl\u00ednica geral passam muito tempo a recolher informa\u00e7\u00e3o de v\u00e1rias fontes, por exemplo, a ler relat\u00f3rios de alta hospitalar ou de internamento, a analisar testes de sangue dos \u00faltimos meses e a procurar directrizes cl\u00ednicas. Em contraste, os sistemas de assist\u00eancia \u00e0 IA poderiam preparar automaticamente as coisas mais importantes e indicar os riscos e medidas com base no perfil de risco individual do paciente. Assim, os sistemas de IA poderiam tamb\u00e9m desempenhar um papel importante na preven\u00e7\u00e3o. Estes sistemas poderiam proactivamente sugerir consultas se determinarem que um paciente com diabetes mellitus tipo 2 est\u00e1 em risco acrescido de desenvolver uma complica\u00e7\u00e3o diab\u00e9tica espec\u00edfica e justifica uma interven\u00e7\u00e3o.<\/p>\n\n

IA no GP<\/h3>\n\n

Os sistemas baseados na IA tamb\u00e9m trazem conhecimentos de diagn\u00f3stico de apoio aos cuidados prim\u00e1rios. Uma imagem de uma les\u00e3o de pele \u00e9 suficiente para diagnosticar a sua etiologia por meio de um sistema de IA. As imagens poderiam ser capturadas numa cl\u00ednica de GP e enviadas para um sistema especializado de dermatologia AI para an\u00e1lise oportuna [6]. Os doentes de baixo risco receberiam garantias imediatas, enquanto os doentes com maior risco de melanoma poderiam ser encaminhados imediatamente para um dermatologista e n\u00e3o ter de esperar muito tempo, uma vez que os especialistas apenas v\u00eaem casos seleccionados. Este conceito n\u00e3o se limita apenas ao campo da dermatologia, mas tamb\u00e9m na interpreta\u00e7\u00e3o de muitos outros dados complexos de doentes, por exemplo, digitaliza\u00e7\u00f5es de retina, radiografias ou imagens de ultra-sons. Muitas destas imagens podem em breve ser recolhidas e analisadas com equipamento e IA relativamente baratos. Um bom exemplo \u00e9 uma nova gera\u00e7\u00e3o de pequenos dispositivos de ultra-sons que se ligam directamente ao smartphone e podem analisar uma grande variedade de sistemas de \u00f3rg\u00e3os atrav\u00e9s da AI [18].<\/p>\n\n

Outras aplica\u00e7\u00f5es tamb\u00e9m s\u00e3o relevantes. Por exemplo, as novas abordagens para a detec\u00e7\u00e3o da interac\u00e7\u00e3o medicamentosa baseadas em algoritmos de aprendizagem profunda<\/em> mostram potencial. A polifarm\u00e1cia \u00e9 um problema crescente na medicina familiar com um elevado risco de interac\u00e7\u00f5es adversas de medicamentos. Os sistemas de IA que apoiam o m\u00e9dico podem desempenhar um papel importante na detec\u00e7\u00e3o e tamb\u00e9m na preven\u00e7\u00e3o (Fig. 1)<\/span> [15,16].<\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>\n

No entanto, um obst\u00e1culo \u00e0 implementa\u00e7\u00e3o segura e generalizada de sistemas de IA nas pr\u00e1ticas de GP e em muitas outras \u00e1reas da medicina \u00e9 a introdu\u00e7\u00e3o de dados frequentemente inadequada. Nos cuidados de sa\u00fade, o processo raramente \u00e9 automatizado e depende frequentemente de m\u00e9dicos que n\u00e3o disp\u00f5em de tempo para introduzir os dados. Sem dados correctos e actualizados, os sistemas de IA n\u00e3o t\u00eam a informa\u00e7\u00e3o necess\u00e1ria para gerar um algoritmo de trabalho para uma tomada de decis\u00e3o correcta [19]. Especialmente na medicina geral, s\u00e3o ainda necess\u00e1rios muitos esfor\u00e7os para melhorar a situa\u00e7\u00e3o dos dados em conformidade.<\/p>\n\n

Caixa Preta Natureza e Polariza\u00e7\u00e3o Sistem\u00e1tica da IA<\/h3>\n\n

O desenvolvimento de algoritmos de aprendizagem profunda<\/em>d\u00e1 aos computadores a capacidade de explorar associa\u00e7\u00f5es cada vez mais complexas. Os algoritmos de aprendizagem profunda<\/em>baseiam-se na ideia de um c\u00e9rebro “computorizado”. No entanto, os processos neurais que ocorrem no sistema nem sempre s\u00e3o compreens\u00edveis para os humanos (a IA \u00e9 uma “caixa negra”). Isto torna a interpreta\u00e7\u00e3o dos resultados mais dif\u00edcil. Isto, por sua vez, pode levar a uma redu\u00e7\u00e3o da confian\u00e7a no sistema e, assim, tornar a integra\u00e7\u00e3o na pr\u00e1tica cl\u00ednica mais dif\u00edcil [19]. Al\u00e9m disso, um sistema de IA \u00e9 apenas t\u00e3o bom quanto os dados que lhe s\u00e3o fornecidos; se os dados estiverem errados ou distorcidos, pode conter enviesamentos sistem\u00e1ticos. O risco de uma declara\u00e7\u00e3o incorrecta sistem\u00e1tica do sistema de IA torna-se assim maior. Por exemplo, os pacientes com baixo estatuto socioecon\u00f3mico podem receber menos testes diagn\u00f3sticos e medicamentos para doen\u00e7as cr\u00f3nicas e ter acesso limitado aos cuidados de sa\u00fade. Um sistema de IA tem assim apenas uma quantidade limitada de informa\u00e7\u00e3o sobre esta popula\u00e7\u00e3o de doentes e pode sugerir uma interven\u00e7\u00e3o necess\u00e1ria mais tarde do que para os doentes que visitam regularmente o m\u00e9dico [20].<\/p>\n\n

Por outro lado, os profissionais m\u00e9dicos n\u00e3o s\u00e3o imunes a preconceitos. A tomada de decis\u00f5es cl\u00ednicas depende muitas vezes em parte de um conjunto de “regras do polegar” e algoritmos. Sheringham et al. [21] mostrou, por exemplo, que os m\u00e9dicos de cl\u00ednica geral brit\u00e2nicos n\u00e3o eram mais propensos a diagnosticar pacientes com sintomas de alto risco de cancro do que os pacientes com sintomas de baixo risco. Foi tamb\u00e9m demonstrado que pacientes com os mesmos sintomas s\u00e3o tratados ou esclarecidos de forma diferente [21].<\/p>\n\n

Um sistema de IA pode potencialmente sintetizar e interpretar objectivamente todos os dados dispon\u00edveis no registo m\u00e9dico electr\u00f3nico, o que \u00e9 imposs\u00edvel para o m\u00e9dico devido \u00e0 vasta quantidade de dados. A interac\u00e7\u00e3o entre m\u00e9dico\/IA \u00e9 sin\u00e9rgica e oferece a oportunidade de mitigar o preconceito e alcan\u00e7ar melhores cuidados ao paciente.<\/p>\n\n

Dados abertos – implica\u00e7\u00f5es para a IA, protec\u00e7\u00e3o de dados e seguran\u00e7a<\/h3>\n\n

Os dados abertos s\u00e3o uma tend\u00eancia que se est\u00e1 a tornar cada vez mais importante tamb\u00e9m nos cuidados de sa\u00fade. Uma grande vantagem dos Dados Abertos \u00e9 que os dados de ensaios cl\u00ednicos e outras fontes podem ser utilizados, reanalisados, partilhados e combinados com outros dados. Dados Abertos facilita a colabora\u00e7\u00e3o cient\u00edfica, enriquece a investiga\u00e7\u00e3o, melhora a capacidade anal\u00edtica para tomar decis\u00f5es e assegura um progresso muito mais r\u00e1pido na medicina. Por exemplo, o MIMIC-IV \u00e9 um conjunto de dados contendo dados de sa\u00fade n\u00e3o identific\u00e1veis sobre mais de 60.000 pacientes de cuidados intensivos no Centro M\u00e9dico de Beth Israel Deaconess de 2008 a 2019 e est\u00e1 dispon\u00edvel ao p\u00fablico [22].<\/p>\n\n

Os dados abertos est\u00e3o a alimentar a IA, o que depende de conjuntos de dados muito grandes de doentes. Este aspecto conduzir\u00e1 inevitavelmente a uma converg\u00eancia dos sistemas de sa\u00fade, pelo menos ao n\u00edvel dos dados, de modo a que sejam recolhidos dados suficientes para a IA na rede de hospitais. Esta “transpar\u00eancia de dados” poderia conduzir a mais efeitos positivos a longo prazo, tais como um melhor controlo de custos no sistema de sa\u00fade.<\/p>\n\n

A depend\u00eancia dos dados tamb\u00e9m tem os seus inconvenientes. Os dados m\u00e9dicos cont\u00eam informa\u00e7\u00e3o altamente sens\u00edvel que deve ser protegida por raz\u00f5es de protec\u00e7\u00e3o de dados e, \u00e0 primeira vista, representa uma grande barreira aos Dados Abertos. Assim, a utiliza\u00e7\u00e3o de Dados Abertos requer um equil\u00edbrio cuidadoso entre o livre acesso e a privacidade do paciente. Para responder a estes desafios de seguran\u00e7a e protec\u00e7\u00e3o de dados, deve ser dada grande \u00eanfase \u00e0s salvaguardas legais (“acordos de utiliza\u00e7\u00e3o de dados”), algoritmos avan\u00e7ados de encripta\u00e7\u00e3o e pseudo-anonimiza\u00e7\u00e3o de dados pessoais. Os sistemas de IA em geral devem garantir a protec\u00e7\u00e3o e seguran\u00e7a dos dados e estabelecer normas de boa governa\u00e7\u00e3o [23].<\/p>\n\n

Conclus\u00e3o<\/h3>\n\n

A utiliza\u00e7\u00e3o de sistemas de IA na pr\u00e1tica m\u00e9dica para um diagn\u00f3stico e terapia mais eficientes requer a aceita\u00e7\u00e3o e o apoio dos m\u00e9dicos. Antes da sua utiliza\u00e7\u00e3o, deve assegurar-se que a combina\u00e7\u00e3o de m\u00e9dicos-agonistas traz um benef\u00edcio aos cuidados do paciente, inclusive reduzindo o fardo para os m\u00e9dicos e sem criar incerteza para os pacientes. O que \u00e9 necess\u00e1rio agora \u00e9 uma investiga\u00e7\u00e3o da IA que examine holisticamente e ilumine sistematicamente as consequ\u00eancias para a pr\u00e1tica cl\u00ednica di\u00e1ria.<\/p>\n\n

Mensagens para levar para casa<\/h4>\n\n
    \n
  • A intelig\u00eancia artificial \u00e9 um campo em crescimento que ter\u00e1 um grande impacto na medicina de amanh\u00e3.<\/li>\n\n\n\n
  • Uma compreens\u00e3o b\u00e1sica da intelig\u00eancia artificial \u00e9 crucial para a sua correcta implementa\u00e7\u00e3o na pr\u00e1tica cl\u00ednica.<\/li>\n\n\n\n
  • O apoio da actividade m\u00e9dica pela intelig\u00eancia artificial leva a uma potencial melhoria da qualidade e al\u00edvio do tempo.<\/li>\n\n\n\n
  • A intelig\u00eancia artificial n\u00e3o \u00e9 infal\u00edvel. Novos sistemas promissores s\u00e3o o tema da investiga\u00e7\u00e3o actual, mas ainda t\u00eam dificuldades de implementa\u00e7\u00e3o na aplica\u00e7\u00e3o cl\u00ednica geral.<\/li>\n<\/ul>\n\n

    Agradecimentos<\/em><\/strong>Agradecemos a Lukas Bachmann, MD, pela sua revis\u00e3o construtiva do artigo.<\/em><\/p>\n\n

    <\/p>\n\n

    <\/p>\n\n

    Literatura:<\/p>\n\n

      \n
    1. McCarthy J, Minsky ML, Rochester N, Shannon CE: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine 1955; 27(4): 12.<\/li>\n\n\n\n
    2. Shortliffe EH, Buchanan BG: A model of inexact reasoning in medicine. Mathematical Biosciences 1975; 23(3): 351\u2013379.<\/li>\n\n\n\n
    3. Rosati RA, McNeer JF, Starmer CF, et al.: A new information system for medical practice. Arch Intern Med 1975; 135(8): 1017\u20131024.<\/li>\n\n\n\n
    4. Kassirer JP: A report card on computer-assisted diagnosis-the grade: C. N Engl J Med 1994; 330(25): 1824\u20131825.<\/li>\n\n\n\n
    5. Langlotz CP, Allen B, Erickson BJ, et al.: A Roadmap for Foundational Research on Artificial Intelligence in Medical Imaging: From the 2018 NIH\/RSNA\/ACR\/The Academy Workshop. Radiology 2019; 291(3): 781\u2013791.<\/li>\n\n\n\n
    6. Esteva A, Kuprel B, Novoa RA, et al.: Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542(7639): 115\u2013118.<\/li>\n\n\n\n
    7. Kooi T, Litjens G, van Ginneken B, et al.: Large scale deep learning for computer aided detection of mammographic lesions. Med Image Anal 2017; 35: 303\u2013312.<\/li>\n\n\n\n
    8. Gulshan V, Peng L, Coram M, et al.: Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA 2016; 316(22): 2402\u20132410.<\/li>\n\n\n\n
    9. De Fauw J, Ledsam JR, Romera-Paredes B, et al.: Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med 2018; 24(9): 1342\u20131350.<\/li>\n\n\n\n
    10. van der Laak J, Litjens G, Ciompi F: Deep learning in histopathology: the path to the clinic. Nat Med 2021; 27(5): 775\u2013784.<\/li>\n\n\n\n
    11. Li Y, Rao S, Solares JRA, et al.: BEHRT: Transformer for Electronic Health Records. Sci Rep 2020; 10(1): 7155.<\/li>\n\n\n\n
    12. Nooralahzadeh F, Gonzalez NP, Frauenfelder T, et al.: Progressive Transformer-Based Generation of Radiology Reports. arXiv preprint arXiv:210209777; 2021.<\/li>\n\n\n\n
    13. Summerton N, Cansdale M: Artificial intelligence and diagnosis in general practice. Br J Gen Pract 2019; 69(684): 324\u2013325.<\/li>\n\n\n\n
    14. Embi PJ, Leonard AC: Evaluating alert fatigue over time to EHR-based clinical trial alerts: findings from a randomized controlled study. J Am Med Inform Assoc 2012; 19(e1): e145\u2013148.<\/li>\n\n\n\n
    15. Schwarz K, Allam A, Gonzalez NAP, Krauthammer M: AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug interaction predictions. ArXiv. 2020; abs\/2012.13248.<\/li>\n\n\n\n
    16. Moriarty F, Hardy C, Bennett K, et al.: Trends and interaction of polypharmacy and potentially inappropriate prescribing in primary care over 15 years in Ireland: a repeated cross-sectional study. BMJ Open 2015; 5(9): e008656.<\/li>\n\n\n\n
    17. Rainey C, McConnell J, Hughes C, et al.: Artificial intelligence for diagnosis of fractures on plain radiographs: A scoping review of current literature. Intelligence-Based Medicine 2021; 5: 100033.<\/li>\n\n\n\n
    18. Buonsenso D, Pata D, Chiaretti A: COVID-19 outbreak: less stethoscope, more ultrasound. Lancet Respir Med 2020; 8(5): e27.<\/li>\n\n\n\n
    19. Liaw W, Kakadiaris IA: Primary Care Artificial Intelligence: A Branch Hiding in Plain Sight. Ann Fam Med 2020; 18(3): 194\u2013195.<\/li>\n\n\n\n
    20. Obermeyer Z, Powers B, Vogeli C, Mullainathan S.: Dissecting racial bias in an algorithm used to manage the health of populations. Science 2019; 366(6464): 447\u2013453.<\/li>\n\n\n\n
    21. Sheringham J, Sequeira R, Myles J, et al.: Variations in GPs\u2019 decisions to investigate suspected lung cancer: a factorial experiment using multimedia vignettes. BMJ Qual Saf 2017; 26(6): 449\u2013459.<\/li>\n\n\n\n
    22. Johnson ABL, Pollard T, Horng S, et al.: MIMIC-IV (version 1.0). PhysioNet0 2021; doi: 10.13026\/s6n6-xd98.<\/li>\n\n\n\n
    23. Kobayashi S, Kane TB, Paton C: The Privacy and Security Implications of Open Data in Healthcare. Yearb Med Inform 2018; 27(1): 41\u201347.<\/li>\n<\/ol>\n\n

      DERMATOLOGIE PRAXIS 2024; 34(2): 8\u201312 <\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

      O termo intelig\u00eancia artificial remonta aos anos 50. s\u00e9culo XX e engloba um conjunto de tecnologias que permitem a um computador imitar as caracter\u00edsticas t\u00edpicas da intelig\u00eancia humana. Inicialmente, foram…<\/p>\n","protected":false},"author":7,"featured_media":378247,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"Intelig\u00eancia artificial em medicina","footnotes":""},"category":[11551,11356,22618,11524,11305,11474],"tags":[18521,18522,11754,14153],"powerkit_post_featured":[],"class_list":["post-378231","post","type-post","status-publish","format-standard","has-post-thumbnail","category-rx-pt","category-dermatologia-e-venereologia-pt-pt","category-formacao-cme","category-formacao-continua","category-medicina-interna-geral","category-prevencao-e-cuidados-de-saude","tag-aprendizagem-profunda","tag-dados-abertos","tag-formacao-cme","tag-inteligencia-artificial","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-04-12 00:47:10","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"pt_PT","wpml_translations":{"es_ES":{"locale":"es_ES","id":378232,"slug":"oportunidades-y-riesgos-de-la-ia-4","post_title":"Oportunidades y riesgos de la IA","href":"https:\/\/medizinonline.com\/es\/oportunidades-y-riesgos-de-la-ia-4\/"}},"_links":{"self":[{"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/posts\/378231","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/comments?post=378231"}],"version-history":[{"count":3,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/posts\/378231\/revisions"}],"predecessor-version":[{"id":378463,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/posts\/378231\/revisions\/378463"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/media\/378247"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/media?parent=378231"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/category?post=378231"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/tags?post=378231"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/powerkit_post_featured?post=378231"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}