Por que a medicina precisa de IA neurossimbólica

Em março, uma mulher de 63 anos vai ao médico para um check-up de rotina. Um exame de sangue mostra que o açúcar no sangue dela está alto há algum tempo, e ela recebe o diagnóstico de diabetes tipo 2. Começa a tomar um remédio comum para a doença e é orientada a voltar em três meses.

Em junho, ela faz o exame de sangue num laboratório perto do trabalho, o que é mais prático do que ir de carro até a clínica. A glicose está mais alta do que em março. Na consulta de retorno, a enfermeira a pesa e vê que ela perdeu cerca de quatro quilos, e a anotação registra que ela está respondendo bem às mudanças no estilo de vida. Ela e o médico ficam satisfeitos.

Em agosto, ela vai a um pronto atendimento por causa de uma dor no meio das costas que já dura algumas semanas. Não caiu nem levantou nada pesado. Sai com um anti-inflamatório e um encaminhamento para a fisioterapia.

Cada um dos três médicos cuidou do que tinha à sua frente, e cada registro, lido isoladamente, parece razoável. Lidos em conjunto, apontam para algo que nenhum deles mostra sozinho, e um médico que visse os três pediria um exame de imagem do pâncreas dela.

Por que as três consultas andam juntas

O pâncreas é um órgão pequeno que fica lá no fundo, atrás do estômago, junto à parede posterior do abdome. Uma de suas funções é produzir insulina, o hormônio que mantém o açúcar no sangue sob controle.

É isso que liga as três consultas. Um tumor no pâncreas pode atrapalhar a produção de insulina, e o açúcar sobe, às vezes antes de qualquer outro sinal. O câncer também pode fazer a pessoa emagrecer sem que ela tenha tentado. E como o pâncreas fica perto da coluna e dos seus nervos, um tumor ali pode causar uma dor surda no meio das costas.

A maioria das pessoas com diabetes recém-diagnosticado não tem câncer. Quando o diabetes aparece pela primeira vez depois dos 50 anos, porém, cerca de uma em cada cem recebe o diagnóstico de câncer de pâncreas em até três anos, aproximadamente oito vezes a taxa esperada para essa idade. Pesquisadores da Mayo Clinic criaram um escore para identificar esses pacientes, com base na idade em que o diabetes começou, na variação de peso e na variação da glicose. O que mais conta é o peso cair enquanto a glicose sobe.

O momento importa porque o câncer de pâncreas costuma ser descoberto tarde. Cerca de metade dos casos só é diagnosticada depois que o câncer se espalhou, quando o tratamento pode fazer muito menos. Descobri-lo meses antes pode mudar o que é possível fazer.

No caso dessa mulher, a informação necessária já estava registrada. Estava espalhada em três lugares, e ninguém olhava para o conjunto.

A mesma lacuna também age no sentido contrário. Já vi pacientes passarem por investigações cardiológicas quando a causa era a ansiedade, da qual o batimento irregular era um sintoma, e já tratei pacientes assim. O coração deles foi examinado com cuidado, mas a resposta estava em outra parte da história. Quando as peças da saúde de uma pessoa ficam separadas, a medicina deixa passar o que é grave e corre atrás do que não é.

Por que os computadores ainda não resolveram isso

Os computadores leem muito mais rápido do que as pessoas, então é justo perguntar por que eles ainda não identificam casos como esse. O motivo é que a maior parte da IA usada na medicina é de um entre dois tipos, e cada um enxerga só uma parte do quadro.

O primeiro tipo aprende com exemplos. Diante de milhões de pacientes do passado, aprende quais padrões costumavam vir antes de uma doença. Os chatbots que muita gente usa hoje são feitos assim, treinados com quantidades enormes de texto. Esse tipo de IA é bom em perceber, mas não consegue mostrar por que chegou a uma conclusão, e soa tão confiante quando erra quanto quando acerta. Uma médica não pode agir com segurança com base numa conclusão que não tem como verificar.

O segundo tipo segue regras escritas por pessoas, no formato “se isto, então aquilo”. Uma regra deixa claro o que verifica e por quê. Mas só pega o que alguém previu de antemão, e só quando a informação chega exatamente no formato que a regra espera. Ela não aprende.

Cada abordagem é parcial, e nenhuma das duas é uma má ideia.

Há um problema mais profundo nos registros com que esses sistemas aprendem. Boa parte de um prontuário é feita de anotações, e cada anotação é o relato de uma pessoa sobre uma consulta, escrito às pressas e moldado pelo modo como essa pessoa viu o paciente. Grande parte do restante foi pensada para o faturamento, com os diagnósticos guardados como códigos de cobrança. Um sistema que aprende só com esse material aprende também os seus pontos cegos. Em 2019, pesquisadores descobriram que um algoritmo usado por sistemas de saúde americanos para escolher pacientes para cuidados extras considerava os pacientes negros mais saudáveis do que eles eram. O algoritmo tinha aprendido com os gastos do passado, e com o atendimento deles se gastava menos.

Aprendizado e lógica, juntos

Os bons médicos usam os dois tipos de raciocínio. Com anos de prática, aprendem a perceber quando algo está fora do lugar, e então confrontam essa impressão com as evidências antes de agir. A IA neurossimbólica é construída do mesmo modo. A parte “neuro” aprende e percebe, como a experiência. A parte “simbólica” raciocina com regras, como faz um médico ao confrontar o que viu com as evidências.

No Chroneme, as regras vêm da pesquisa publicada e das diretrizes médicas, e funcionam como uma lente. Para cada pergunta clínica, definem que informação importa e quanto confiar na sua fonte, de modo que um peso medido na balança vale mais do que uma palavra numa anotação. Dentro desse enquadramento, a parte que aprende ainda pode perceber padrões que ninguém pensou em escrever. A parte lógica, então, testa cada um deles contra as evidências, e um padrão que não se sustenta nunca chega ao médico como recomendação.

Agora imagine a mesma mulher, com o Chroneme acompanhando o cuidado dela. Os exames, as pesagens e as anotações de todos os lugares onde ela foi atendida são reunidos num único registro, na ordem em que os fatos aconteceram. Em junho, quando a glicose sobe enquanto o peso cai, o padrão coincide com o que o escore publicado procura, e o médico dela vê o achado naquela mesma semana, dois meses antes de a dor nas costas começar. O achado vem escrito em linguagem simples e mostra cada resultado em que se baseia, onde e quando cada um foi registrado, e o estudo de onde a regra foi tirada. Um pedido de exame de imagem já está pronto, junto com uma mensagem para a paciente que explica o motivo sem assustá-la. O médico revisa, concorda ou discorda, e assina.

Como as regras estão escritas, os mesmos fatos levam à mesma conclusão para qualquer paciente, não importa quem esteja de plantão. Quando as evidências mudam, a regra é atualizada uma vez e passa a valer para todos. Quando algo dá errado, é possível encontrar o ponto da falha.

O que estamos construindo

Um método melhor não basta sozinho. Precisa de um sistema que o sustente, que mantenha inteiro o registro de cada pessoa e funcione tão bem para o milionésimo paciente quanto para o primeiro. É esse sistema que estamos construindo.

Ele também torna possíveis novos tipos de compreensão. Um exame de imagem mostra como o corpo está por dentro, o histórico mostra como ele chegou até ali, e a genética mostra o que ele tinha mais tendência a fazer. Em geral, essas informações foram lidas separadamente, por especialistas diferentes. Lidas juntas e em ordem, revelam combinações que nenhum registro isolado contém.

A medicina sabe há décadas como é um bom cuidado baseado em evidências. O que tem faltado é tempo para aplicar toda essa evidência a cada paciente, todos os dias, já que nenhum médico consegue revisar cada prontuário à luz de cada diretriz antes de cada consulta. Os agentes do Chroneme, programas que executam as etapas de uma tarefa, fazem essa preparação. Redigem os pedidos, as mensagens e as anotações, cada um com suas fontes, para que um profissional de saúde revise e assine. O julgamento continua com as pessoas, e o tempo poupado volta para o cuidado.

Somos cuidadosos com o que afirmamos. Que cada conclusão possa ser rastreada e verificada já é verdade hoje, porque o sistema foi projetado assim. Se ele acerta com frequência suficiente para ajudar os pacientes é uma pergunta que cabe às evidências responder. Estamos testando isso segundo um protocolo escrito antes de qualquer resultado ser visto, e vamos publicar o que encontrarmos, inclusive onde ele deixar a desejar.