A Inteligência Artificial (AI) é um avanço tecnológico que permite à sistemas simularem uma inteligência similar à humana para tomar decisões de forma autônoma, baseadas em análise de bancos de dados. O Machine Learning (aprendizado da máquina) é um recurso da AI que pode alterar seu comportamento de forma autônoma,
reconhecendo padrões nos dados analisados e adequando-se ao contexto para produzir uma resposta apropriada.
O uso do ML pode melhorar o tratamento médico por meio de novas estratégias, tomada de decisões e agrupamento de pacientes, automatizando a análise, classificação e previsão de dados (Tack, C. 2019).
O Machine Learning (ML) pode ser utilizado através de dois formatos, supervisionado e não supervisionado. Tack explica algumas técnicas de uso desta inteligência artificial pela área da saúde.
Machine Learning Supervisionado
No formato Supervisionado, o ML pode auxiliar em diferentes pontos, como:
Imagens Médicas – O ML pode ser usado para aprender sobre como classificar imagens médicas como raio-X e ressonância magnética com precisão igual ou maior do que especialistas, mesmo quando estão presentes alterações fisiopatológicas (Tack, C. 2019).
Dor – uma outra forma de utilização do ML supervisionado é pela classificação de indivíduos para fenótipos de dor com base em ressonância magnética cerebral. O caso da dor sem patologia tecidual ou autorrelatada torna difícil a identificação da dor através do ML (Boissoneault et al., 2017). Através da ressonância magnética, biomarcadores cerebrais podem classificar com precisão pelo ML supervisionado condições de indivíduos saudáveis ou com dor.
Risco de Lesão – Kianifare e colaboradores usaram dados para classificar o desempenho do agachamento unilateral de acordo com o grau de valgo do joelho.
Sabendo-se que a biomecânica do joelho no plano frontal está associada ao risco de lesão no joelho, o ML supervisionado foi utilizado para classificação entre 3 classes (ruim, moderado e bom). Como resultado, a precisão era alta durante a classificação de 2 classes, mas quando existia uma complexidade através da classificação de 3
classes a precisão era reduzida em 30%. Através disso, os dados do sensor visual e inercial podem ser analisados por ML a fim de prever os padrões de risco de lesão associados ao valgo dinâmico de joelho. Porém, como o risco de lesões é multifatorial, os dados biomecânicos são apenas parte do gerenciamento de prevenção de lesões (Murphy et al., 2003).
Machine Learning não supervisionado
Através da digitalização, os dados de saúde se tornam acessíveis por computadores (Bell, 2017; The Royal Society, 2017). Como o ML supervisionado depende de grandes quantidades de dados para prever um resultado com precisão, o ML não supervisionado é mais aplicável na busca de dados para novas descobertas sobre risco ou causalidade.
Por esse meio, é possível identificar fatores preditivos para síndrome da fadiga crônica a partir de diversas fontes de dados (Watson et. al., 2014).
Para que exista segurança e qualidade dos dados, é essencial evitar vieses nos algoritmos e manter a confiança no uso dos dados de saúde. O ML supervisionado tem potencial para evolução no âmbito da fisioterapia, por meio da tomada de decisão e mensuração. Já a eficácia do ML não supervisionado não foi comprovado, mas também
pode ajudar na pesquisa de dados para identificação de padrões associados.
