A UC San Diego Health usa a AWS para implementar um modelo de criação de imagens com inteligência artificial em 10 dias

Quando a pandemia de COVID-19 atingiu os Estados Unidos na primavera de 2020, os pesquisadores da UC San Diego Health já haviam desenvolvido um modelo de reconhecimento de imagem usando o machine learning para identificar pneumonia em casos difíceis de detectar. Como a pneumonia estava se tornando rapidamente um dos principais indicadores de infecção grave em pacientes com COVID-19, o Dr. Mike Hogarth, diretor de informações de pesquisas clínicas na UC San Diego Health, pediu ajuda à Amazon Web Services (AWS) para criar um sistema para aplicar o modelo em ambientes clínicos de modo que os médicos pudessem usar as informações em diagnósticos e tratamentos.

A segurança de dados é muito importante quando arquivos e informações de pacientes são usados em ambientes de saúde. A UC San Diego Health precisaria atender a regras rígidas em conformidade com a HIPAA para usar o sistema de aplicação do modelo de inteligência artificial em ambiente clínico. Anteriormente, a UC San Diego Health já havia configurado soluções em conformidade semelhantes na AWS, e essa experiência permitiu que a equipe da UC San Diego Health criasse o sistema desejado em apenas 10 dias usando a AWS.

A UC San Diego Health está entre as 15 universidades de pesquisa mais conceituadas do mundo. A UC San Diego School of Medicine realiza centenas de testes clínicos todos os anos, e o UCSD Health Services Research Center é especializado na coleta e análise de dados de resultados de saúde para oferecer suporte às pesquisas. Em 2018, uma equipe da UC San Diego Health, liderada pelo Dr. Albert Hsiao, professor associado de radiologia na UC San Diego School of Medicine, desenvolveu um modo de usar o machine learning para detectar pneumonia em imagens de raios X. “Criamos um mapa de probabilidade com código de cores que indicava o grau de probabilidade de ser uma pneumonia”, afirmou o Dr. Brian Hurt, médico residente da equipe do Dr. Hsiao. De acordo com o Dr. Hsiao, “O que normalmente as pessoas fazem é criar um modelo que resulte em um simples sim ou não, indicando se é ou não pneumonia. Porém, achamos que produzir uma imagem era importante para destacar a localização das anormalidades.” A equipe publicou um artigo com esses resultados no começo de 2020.

A equipe da UC San Diego Health tinha experiência anterior usando a AWS para criar um ambiente seguro e em conformidade com a HIPAA para seus dados de pesquisa. “Uma das minhas primeiras tarefas na UC San Diego Health foi criar um ambiente em que informações confidenciais de saúde pudessem ser computadas e movidas, se necessário”, afirmou o Dr. Hogarth. “A nossa equipe e a AWS realizavam reuniões semanais sobre como otimizá-lo e, quando a pandemia do COVID-19 nos atingiu com força, a AWS perguntou como poderia ajudar e se havia algo que queríamos fazer.” Me lembrei imediatamente do modelo da equipe do Dr. Hsiao.

O objetivo era implementar um sistema capaz de receber raios X de um ambiente clínico, executar o modelo neles e retornar resultados rapidamente para auxiliar no diagnóstico. “Muitos modelos criados em laboratórios como o nosso são promissores, mas não muito úteis se não forem realmente incluídos no fluxo de trabalho clínico”, afirmou o Dr. Hsiao. Essa implementação afetaria potencialmente o diagnóstico, o tratamento e os resultados dos pacientes com COVID-19. “As descobertas da pneumonia por COVID-19 são basicamente iguais às de qualquer outra pneumonia viral”, afirmou o Dr. Hsiao. “O modelo treinado pelo Brian tem um bom desempenho nessa área porque é um bom modelo para detectar pneumonia em geral.” O modelo foi útil de duas formas. Primeiro, ao detectar pneumonia em uma imagem de raio X, ele solicita um teste ou reteste no caso de um resultado de teste anterior negativo (possivelmente falso). Segundo, em pacientes com infecção conhecida, encontrar pneumonia em um raio X pode indicar a gravidade e o prognóstico da doença, informando os tratamentos.

A equipe de pesquisa da UC San Diego Health já havia configurado o modelo para receber imagens e devolvê-las com uma sobreposição codificada por cores. Ela só precisava de uma solução de nuvem capaz de se conectar ao sistema de imagens clínicas para receber as imagens e enviá-las diretamente para os arquivos dos pacientes, disponibilizando-as para os profissionais médicos acessarem e visualizarem. Como a equipe já havia criado ambientes em conformidade com a HIPAA na AWS, ela conseguiu colocar o projeto em funcionamento em apenas 10 dias. “No primeiro dia em que foi usado na AWS, o modelo processou cerca de 400 raios X com pouquíssimas falhas”, afirmou o Dr. Hogarth. Nos 6 meses seguintes após a implementação, o modelo processou mais de 65.000 raios X, levando de 3 a 4 minutos cada.

O que torna o modelo tão útil é a sua capacidade de fornecer informações aos médicos no ponto de atendimento, e a AWS tem sido fundamental para tornar esse processo não apenas possível, mas direto e simples de manter. De acordo com o Dr. Hogarth, em uma equipe de tecnologia da informação de 500 pessoas na UC San Diego Health, um único membro pode verificar a conformidade contínua com a HIPAA e outros regulamentos no ambiente da AWS como parte de suas funções. Com relação à implementação do modelo criado pela equipe do Dr. Hsiao em um ambiente clínico, as instâncias do Amazon Elastic Compute Cloud (Amazon EC2) são basicamente tudo que é necessário. O ambiente oferece as configurações de segurança que a equipe precisa e é simples de redimensionar conforme a capacidade computacional aumenta.

Um artigo recente publicado pelo Journal of the American College of Emergency Physicians Open indicou que a implementação desse modelo afetou 20% da tomada de decisões clínicas. “Conhecemos pouquíssimos fatores que realmente afetam a tomada de decisão clínica a esse ponto,” afirmou o Dr. Hsiao. A precisão inicial do modelo foi de 86%, e a equipe implantará em breve uma versão ainda mais precisa que levará em consideração os casos de pneumonia frequentemente não detectados quando localizados atrás do coração.

A avaliação do suporte à decisão clínica baseado em machine learning nos fluxos de trabalho existentes no ponto de atendimento é importante, mas relativamente incomum. Embora a avaliação dessa ferramenta de análise de imagem ainda esteja em estágio inicial, há evidências informais de que está tendo um impacto positivo. Recentemente, um paciente de 78 anos foi internado com febre e dor abdominal. Os médicos não estavam considerando um diagnóstico de COVID-19, mas o modelo mostrou sinais de pneumonia em um raio X do tórax. Então, eles examinaram o paciente e o exame deu positivo para o vírus.

Me lembrei imediatamente do Hsiao planeja continuar e aprimorar o modelo, mas o conceito de avaliar algoritmos de machine learning e inteligência artificial no ponto de atendimento também tem aplicações potenciais em uma ampla variedade de outras pesquisas de saúde. “Para nós, é um pipeline de dados e suporte à decisão”, afirmou o Dr. Hogarth. “Demonstramos o uso do pipeline com essas imagens, mas também pode haver muitas outras aplicações.”