Machine Learning em Imagens Médicas: “Plataforma Nacional de Armazenamento e Inteligência Artificial em Imagens Médicas para Pesquisa, Inovação e Suporte à Decisão Clínica”.
Hospital Israelita Albert Einstein

Machine Learning em Imagens Médicas: “Plataforma Nacional de Armazenamento e Inteligência Artificial em Imagens Médicas para Pesquisa, Inovação e Suporte à Decisão Clínica”.
Banco de Imagens
2018-2020

Machine Learning em Imagens Médicas: “Plataforma Nacional de Armazenamento e Inteligência Artificial em Imagens Médicas para Pesquisa, Inovação e Suporte à Decisão Clínica”.
Resumo

Imagens médicas são fontes relevantes para a análise e diagnóstico de doenças em pacientes. Com o crescimento da tecnologia para aquisição e armazenamento, as imagens tornaram-se um importante instrumento na gestão da saúde. Todavia, o número de profissionais especializados não acompanhou a evolução tecnológica. Quando se considera o SUS, o problema ganha uma nova dimensão: imagens coletadas em diferentes formatos; protocolos; e níveis de aquisição (hospitais; unidades básicas de saúde e de pronto atendimento). Esta complexidade encontrada no Brasil, assim como em outros países com dimensões continentais e características socioeconômicas semelhantes, torna necessário o desenvolvimento de uma estrutura acessível capaz de armazenar, classificar e promover um ambiente para pesquisa e inovação. Entende-se como a criação de ferramentas de inteligência artificial que possam auxiliar nas tomadas de decisão em diferentes áreas: desde política estratégica em escala populacional, como suporte de decisão para diagnóstico.

Este projeto contempla o desenvolvimento de uma base nacional de armazenamento de imagens médicas, permitindo o acesso de exames e o acompanhamento de patologias, melhorando a avaliação de resposta ao tratamento. Este ambiente permite que equipes de pesquisa em universidades e startups possam ser conectadas à base, propondo novos modelos de inteligência artificial. Trata-se de uma proposta conceitual, que prepara um ecossistema de automação diagnóstica, gerando impacto positivo na sobrevida e na qualidade de vida dos pacientes, bem como na redução dos custos com o tratamento, uma vez que as patologias são abordadas em estágios mais incipientes.

Além disso, estaremos desenvolvendo três modelos de Machine Learning em afecções que foram eleitas como de relevância para o SUS: Zika, Melanoma e Tuberculose. Estes foram definidos como desafios assistenciais, por representarem três amostras do potencial de impacto da plataforma proposta. Para uma maior eficiência no uso dos modelos, adotamos o conceito de service design, que considera atividades de planejamento, conhecimento da infraestrutura, avaliação recursiva do propósito de modelagem e, principalmente, conhecimento técnico de vários especialistas na cadeia de operação em atenção primária e serviços especializados. Para tanto, dados de raio-X de tórax, tomografia computacional de crânio e fotos de melanoma irão constituir um primeiro esboço da base nacional de imagens médicas.

Por fim, este projeto representa o preparo para um ambiente de armazenamento, disponibilização de dados e automação diagnóstica. Pesquisas em universidades, empresas e startups poderão ser integradas na plataforma, onde passam a ter uma função automatizada na mesma. Isto significa que, para cada nova imagem de pacientes e que seja elegível de análise, o SUS estará apto a auxiliar no diagnóstico as equipes assistencias, propiciando à saúde nacional um ecossistema tecnológico e colaborativo e para a população.




Introdução

Imagens médicas são fontes relevantes para a análise e diagnóstico de doenças em pacientes. Com o crescimento contínuo da tecnologia para aquisição e armazenamento, as imagens médicas tornaram-se um importante instrumento na gestão da saúde. Todavia, o número de profissionais especializados que dominam esta técnica não acompanhou a evolução tecnológica. Quando se considera o SUS, o problema ganha uma nova dimensão: imagens coletadas em diferentes formatos; diferentes protocolos; e diferentes níveis de aquisição no sistema (hospitais, unidades básicas de saúde, unidades de pronto atendimento, agentes de saúde). Esta complexidade encontrada no Brasil, assim como em outros países com dimensões continentais e com características socioeconômicas semelhantes, torna necessário o desenvolvimento de uma estrutura democrática e acessível capaz de armazenar, classificar e promover um ambiente colaborativo para pesquisa e inovação.

 

 

Para uma proposta de integração de imagens médicas no SUS, é fundamental compreender os diferentes níveis de aquisição destes dados e ao mesmo tempo propiciar um ecossistema colaborativo para pesquisa e inovação, garantindo que profissionais em diferentes pontos da cadeia de valor (médicos, agentes de saúde, pesquisadores, desenvolvedores, etc) consumam dados/resultados e desenvolvam modelos. Neste contexto, entende-se pesquisa e inovação como a criação de ferramentas de inteligência artificial [1], e outras tecnologias que possam assessorar nas tomadas de decisão em diferentes áreas: desde política estratégica em escala populacional, como suporte de decisão para diagnóstico dos profissionais em saúde, por exemplo.

 

[1] Que segundo o cientista americano Arthur Samuel, inteligência artificial é um campo de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados.

 



Métodos

Este projeto contempla o desenvolvimento de uma base nacional de armazenamento de imagens médicas, permitindo o acesso de exames diagnósticos e o acompanhamento cronológico de patologias, melhorando a avaliação de resposta ao tratamento clínico aplicado. Trata-se de uma proposta conceitual, que prepara um ecossistema de automação diagnóstica, alavancando projetos futuros com impacto na redução de custos e melhoria da prática assistencial. Além disso, este ambiente permite que equipes de pesquisa em universidades e startups possam ser conectadas à base nacional, propondo novos modelos de inteligência artificial. Nesta perspectiva, propicia uma comunicação prática entre diferentes segmentos da sociedade com o SUS, gerando impacto positivo na sobrevida e na qualidade de vida dos pacientes, bem como na redução dos custos com o tratamento, uma vez que as patologias são abordadas em estágios mais incipientes.

 

Complementarmente, estaremos desenvolvendo três modelos de automação por Machine Learning em afecções que foram eleitas como de impacto/relevância para o SUS: Zika, Melanoma Cutâneo e Tuberculose Pulmonar. Estes modelos foram definidos no projeto como desafios assistenciais, por representarem três amostras do potencial de impacto para o SUS da plataforma proposta. Visando uma maior eficiência no uso dos modelos, adotamos o conceito de service design, que considera atividades de planejamento, conhecimento da infraestrutura, avaliação recursiva do propósito de modelagem e, principalmente, conhecimento técnico de vários especialistas na cadeia de operação em atenção primária e serviços especializados. Consequentemente, dados de raio-X de tórax, tomografia computacional de crânio e fotos de melanoma irão constituir um primeiro esboço da base nacional de imagens médicas para validar esta etapa.



Resultados

Por fim, este projeto representa o preparo para o ecossistema de armazenamento, disponibilização de dados e automação diagnóstica, estando alinhado com as iniciativas estratégicas propostas pelo SUS junto ao Plano Nacional de Saúde. Futuras pesquisas em universidades, empresas e startups poderão ser integradas na plataforma, onde passam a ter uma função automatizada na mesma. Esta automatização significa que, para cada nova imagem de pacientes que entre na plataforma e que seja elegível de análise, o SUS estará apto a auxiliar no diagnóstico as equipes assistências, propiciando à saúde nacional um ecossistema tecnológico e colaborativo e para a população brasileira.



Liderança
Marcelo de Maria Felix – Hospital Israelita Albert Einstein, São Paulo, SP – LattesLinkedIn
Pedro Vieira Santana Netto – Hospital Israelita Albert Einstein, São Paulo, SP – LattesLinkedIn
Birajara Soares Machado – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes – LinkedIn

Equipe
Agatha Paula Colin de Souza – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes – LinkedIn
Aline Lissa Okita – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes – LinkedIn
Anderson Alves Schinaid – Hospital Israelita Albert Einstein, São Paulo, SP – LattesLinkedIn
André Pires dos Santos – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes – LinkedIn
André Ricardo Oliveira da Fonseca – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes – LinkedIn
Andrew Maranhão Ventura Dadario – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes – LinkedIn
Bárbara Rodrigues Da Silva – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Birajara Soares Machado – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Bruna Braga da Silva – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Carlos Arruda Baltazar – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Damião Verde Fernandes Torres Loureiro – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Eduardo Pontes Reis – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Gabriela da Silva Xavier – Hospital Israelita Albert Einstein, São Paulo, SP  – Lattes  – LinkedIn
Gian Lucca dos Santos Severino – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Gilberto Szarf – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Giulia Kimie Nakahara Kosugi – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
João Vitor Pincelli – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Jorge Nebhen Haidar Filho – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Joselisa Péres Queiroz de Paiva – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Karina Silva Vieira – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Larissa Vasconcellos de Moraes – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Lucas dos Anjos Longas – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Luciana Monteiro de Moura – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Luigi Villanova Machado de Barros Lago – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Luiz Otávio Vittorelli – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Mara Huffenbaecher Giavinabianchi – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Marcelo de Maria Felix – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Marcelo Ferreira de Araújo – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Maria Carolina Bueno da Silva – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Nathalia Barbosa da Silva – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Patrícia de Moraes Alves Barboza – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Paulo Cesar Estevam Filho – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Pedro Vieira Santana Netto – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Priscila Satomi Acamine – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Rafael do Espírito Santo – Hospital Israelita Albert Einstein, São Paulo, SP - Lattes  – LinkedIn
Rafael Maffei Loureiro – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Raquel Machado de Sousa – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Renata Prôa Dalle Lucca – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Silvia Heringer Oliveira Asseituno – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Victor Fornasiero De Paiva – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Vinícius Leati de Rossi Ferreira – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Vitor Zago de Almeida Paciello – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Viviane Conceição da Silva – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn
Wellington dos Reis Lucena – Hospital Israelita Albert Einstein, São Paulo, SP – Lattes  – LinkedIn




Colaboração
Fernanda Pahim Santos - Hospital Israelita Albert Einstein, São Paulo, SP - Linkedin
Flavia Pereira de Carvalho - Hospital Israelita Albert Einstein, São Paulo, SP - Linkedin
Luana Vanessa Lopes Francisco - Hospital Israelita Albert Einstein, São Paulo, SP - Linkedin
Renato Tanjoni - Hospital Israelita Albert Einstein, São Paulo, SP - Linkedin
Silvia Lefone Milan - Hospital Israelita Albert Einstein, São Paulo, SP - Linkedin
Kauê Kamia de Menezes - Hospital Israelita Albert Einstein, São Paulo, SP - Linkedin


Área Técnica
Secretaria de Atenção à Saúde - SAS- MS
Secretaria de Ciência, Tecnologia e Insumos Estratégicos -SCTIE - MS
Secretaria de Vigilância em Saúde - SVS- MS

INDICADORES

CONHEÇA OUTROS PROJETOS
Processando