Já foi dito o suficiente, mas a IA está provando ser um divisor de águas no setor de saúde. De participantes passivos na cadeia de saúde, os pacientes agora estão cuidando de sua saúde por meio de sistemas de monitoramento de pacientes herméticos, dispositivos vestíveis, informações visualizadas de suas condições e muito mais. Do ponto de vista de médicos e profissionais de saúde, a IA está abrindo caminho para braços robóticos, módulos sofisticados de análise e diagnóstico, bots cirúrgicos assistivos, asas preditivas para detectar distúrbios e preocupações genéticas e muito mais.
No entanto, à medida que a IA continua a influenciar os aspectos da saúde, o que também aumenta são os desafios associados à geração e manutenção de dados. Como você sabe, um módulo ou sistema de IA só pode ter um bom desempenho se for treinado precisamente com conjuntos de dados relevantes e contextuais por um período prolongado de tempo.
No blog, exploraremos os desafios únicos que especialistas e especialistas em saúde enfrentam quando os casos de uso de IA na área da saúde continuam aumentando em termos de complexidade.
1. Desafios na manutenção da privacidade
A saúde é um setor onde a privacidade é crucial. Dos detalhes que entram no registros eletrônicos de saúde de pacientes e dados coletados durante ensaios clínicos para dados transmitidos por dispositivos vestíveis para monitoramento remoto de pacientes, cada centímetro no espaço de saúde exige a máxima privacidade.
Se há tanta privacidade envolvida, como os novos aplicativos de IA implantados na área da saúde são treinados? Bem, em vários casos, os pacientes geralmente não estão cientes de que seus dados estão sendo usados para fins de estudo e pesquisa. Os regulamentos mencionados pela HIPAA também implicam que organizações e prestadores de serviços de saúde podem usar dados de pacientes para funções de saúde e compartilhar dados e insights com empresas relevantes.
Há toneladas de exemplos do mundo real para isso. Para compreensão básica, entenda que o Google mantém um entendimento de pesquisa de 10 anos com a Mayo Clinic e compartilha acesso limitado a dados que são anonimizado ou desidentificado.
Embora isso seja bastante evidente, várias startups baseadas em IA que trabalham na implantação de soluções de análise preditiva no mercado geralmente são bastante caladas sobre suas fontes de dados de treinamento de IA de qualidade. Isto é obviamente devido a razões competitivas.
Sendo um tópico tão sensível, a privacidade é algo que veteranos, especialistas e pesquisadores estão cada vez mais interessados em um chapéu branco contínuo. Existem protocolos HIPAA para desidentificação de dados e cláusulas para reidentificação em vigor. Daqui para frente, teremos que trabalhar em como a privacidade pode ser estabelecida com perfeição e, ao mesmo tempo, desenvolver soluções avançadas de IA.
2. Desafios na eliminação de vieses e erros
Erros e preconceitos no segmento de saúde podem ser letais para pacientes e organizações de saúde. Erros decorrentes de células mal colocadas ou desalinhadas, letargia ou mesmo descuido podem alterar o curso da medicação ou o diagnóstico dos pacientes. Um relatório divulgado pela Autoridade de Segurança do Paciente da Pensilvânia revelou que cerca de 775 problemas nos módulos EHR foram identificados. Destes, os erros vinculados a humanos totalizaram cerca de 54.7% e os erros vinculados a máquinas foram cerca de 45.3%.
Além dos erros, os vieses são outra causa grave que pode trazer consequências indesejáveis nas empresas de saúde. Ao contrário dos erros, os vieses são mais difíceis de detectar ou identificar devido à inclinação inerente a certas crenças e práticas.
Um exemplo clássico de como o viés pode ser ruim vem de um relatório, que compartilha que os algoritmos usados para detectar câncer de pele em humanos tendem a ser menos precisos em tons de pele mais escuros porque foram treinados principalmente para detectar sintomas em tons de pele claros. Detectar e eliminar vieses é crucial e o único caminho a seguir para o uso confiável da IA na área da saúde.
3. Desafios no estabelecimento de padrões operacionais
A interoperabilidade de dados é uma palavra importante a ser lembrada na área da saúde. Como você sabe, a saúde é um ecossistema de diversos elementos. Você tem clínicas, centros de diagnóstico, centros de reabilitação, farmácias, alas de P&D e muito mais. Muitas vezes, mais de um desses elementos exige que os dados funcionem em seus propósitos pretendidos. Nesses casos, os dados coletados devem ser uniformes e padronizados de forma que pareçam e sejam lidos da mesma forma, independentemente de quem os veja.
Na ausência de padronização, haverá caos com cada elemento mantendo sua própria versão do mesmo registro. Assim, quem olha para um conjunto de dados de uma nova perspectiva é automaticamente perdido e requer a assistência da autoridade em questão para entender o conteúdo do conjunto de dados.
Para evitar isso, a padronização deve ser mais eficaz entre as entidades. Ou seja, formatos, condições e protocolos específicos devem ser definidos claramente para adesão obrigatória. Só então esses dados poderiam ser perfeitamente interoperáveis.
4. Desafios na manutenção da segurança
A segurança é outra preocupação crucial na área da saúde. Isso é o que se mostrará mais caro quando os aspectos relacionados à privacidade de dados forem levados menos a sério. Os dados de saúde são um tesouro de insights para hackers e exploradores e, ultimamente, tem havido muitos casos de violações de segurança cibernética. Ransomware e outros ataques maliciosos foram realizados em todo o mundo.
Mesmo em meio à pandemia de Covid-19, perto de 37% dos entrevistados em uma pesquisa compartilharam que sofreram um ataque de ransomware. A cibersegurança é fundamental em qualquer momento.
Resumindo
Os desafios de dados na área da saúde não se restringem apenas a eles. À medida que compreendemos a integração avançada e o funcionamento da IA na área da saúde, os desafios só ficam mais intrincados, sobrepostos e entrelaçados.
Como sempre, encontraríamos uma maneira de enfrentar os desafios e dar lugar a sistemas sofisticados de IA que prometem fazer saúde AI mais precisos e acessíveis.
