Aprendizado de máquina multimodal em saúde de precisão: uma revisão de escopo

npj Digital Medicine volume 5, Número do artigo: 171 (2022) Citar este artigo

18k acessos

19 Citações

47 Altmétrica

Detalhes das métricas

O aprendizado de máquina é frequentemente aproveitado para resolver problemas no setor de saúde, incluindo a utilização para suporte a decisões clínicas. Seu uso tem sido historicamente focado em dados modais únicos. As tentativas de melhorar a previsão e imitar a natureza multimodal da tomada de decisão de especialistas clínicos foram atendidas no campo biomédico do aprendizado de máquina por meio da fusão de dados díspares. Esta revisão foi realizada para resumir os estudos atuais neste campo e identificar tópicos maduros para pesquisas futuras. Conduzimos esta revisão de acordo com a extensão PRISMA para Scoping Reviews para caracterizar a fusão de dados multimodais em saúde. As sequências de busca foram estabelecidas e utilizadas nas bases de dados: PubMed, Google Scholar e IEEEXplore de 2011 a 2021. Um conjunto final de 128 artigos foi incluído na análise. As áreas de saúde que mais utilizaram métodos multimodais foram neurologia e oncologia. A fusão inicial foi a estratégia de fusão de dados mais comum. Notavelmente, houve uma melhoria no desempenho preditivo ao usar a fusão de dados. Faltavam nos artigos estratégias claras de implantação clínica, aprovação do FDA e análise de como o uso de abordagens multimodais de diversas subpopulações pode melhorar vieses e disparidades de assistência médica. Esses achados fornecem um resumo sobre a fusão de dados multimodais aplicada a problemas de diagnóstico/prognóstico de saúde. Poucos artigos compararam os resultados de uma abordagem multimodal com uma previsão unimodal. No entanto, aqueles que conseguiram alcançaram um aumento médio de 6,4% na precisão preditiva. O aprendizado de máquina multimodal, embora mais robusto em suas estimativas em relação aos métodos unimodais, tem desvantagens em sua escalabilidade e na natureza demorada da concatenação de informações.

O suporte à decisão clínica tem sido um objetivo para aqueles que implementam algoritmos e aprendizado de máquina na esfera da saúde1,2,3. Exemplos de suportes de decisão algorítmica utilizam valores de testes de laboratório, protocolos de imagem ou marcas clínicas (resultados de exames físicos)4,5. Alguns diagnósticos de saúde podem ser feitos em um único valor de laboratório ou um único limiar, como no diabetes em adultos6. Outros diagnósticos são baseados em uma constelação de sinais, sintomas, valores laboratoriais e/ou imagens de suporte e são chamados de diagnóstico clínico. Muitas vezes, esses diagnósticos clínicos são baseados em sistemas de pontuação aditivos que requerem uma mistura de marcadores positivos e negativos antes da rotulagem confirmatória.

O modus operandi de um diagnóstico clínico pode deixar de considerar o peso relativo dessas entradas de dados díspares e as relações potencialmente não lineares, destacando as limitações da capacidade humana de tomada de decisão. A força do suporte de tomada de decisão algorítmica é que ele pode ser usado para descarregar essas tarefas, idealmente produzindo um resultado mais bem-sucedido. Esta é a promessa da medicina de precisão. A medicina/saúde de precisão visa criar um modelo médico que personaliza os cuidados de saúde (decisões, tratamentos, práticas etc.) que são adaptados a um indivíduo ou fenótipo do paciente7. Isso inclui rastrear as trajetórias de saúde dos pacientes longitudinalmente8, muitas vezes incorporando genética/epigenética9,10 e modelagem matemática11 onde diagnósticos e tratamentos incorporam essas informações exclusivas12. Compare isso com um modelo de medicamento único, em que há um único tratamento por distúrbio. A Figura 1 ilustra o fluxo de informações dos hospitais/centros de atendimento que geram dados díspares. É por meio da modelagem computacional e da fusão de informações que os resultados de interesse, como alvos de medicamentos e tratamentos, facilitam uma melhor tomada de decisão no nível do paciente nesses centros de atendimento. Esse fenômeno despertou interesse em estudos de fusão usando dados de saúde.

A informação se move em um padrão cíclico dos centros de saúde para as áreas comuns de informação, onde pode ser transformada e a modelagem algorítmica realizada. Esses algoritmos fornecem insights sobre muitos resultados de saúde diferentes, como ensaios clínicos, fenotipagem, descoberta de medicamentos, etc. Esses insights devem retornar aos centros de saúde e profissionais para fornecer a medicina baseada em evidências mais eficiente possível.