|
Vandoir Welchen<= /p> |
= Doutor em Administração. Universidade = de Caxias do Sul (UCS) - Brasil. |
|
Ana Cristina Fachi=
nelli
https://orcid.org/0000-0003-4136-6933 |
Pós-doutora
em Inteligência Estratégica. Universidade de Caxias do Sul (UCS) - Brasil=
. |
|
Scheila de Avila e Silva https://orcid.org/0000-0002-3472-3907 |
Doutora
em Biotecnologia. Universidade de Caxias do Sul (UCS) - Brasil. |
RESUMO
Este trabalho tem como objetivo
analisar o uso da Inteligência Artificial (IA) na predição da obesidade adu=
lta,
destacando as principais técnicas utilizadas, os desafios enfrentados e os
resultados obtidos. A metodologia adotada foi uma revisão sistemática da
literatura, utilizando bases de dados como Scopus, Web of Science, Dimensions e PubMed. Foram
selecionados 384 artigos, após a aplicação de critérios de inclusão e exclu=
são,
que abordam a aplicação de machine learning e deep
learning na análise de dados de saúde, especialmente registros médicos
eletrônicos (RME). Os resultados mostram que a IA apresenta alta precisão na
identificação de fatores de risco para a obesidade, permitindo intervenções
mais precoces e personalizadas. No entanto, desafios técnicos e éticos, com=
o a
qualidade dos dados e o viés algorítmico, ainda precisam ser superados. As
principais conclusões indicam que a IA tem potencial para transformar o cui=
dado
preventivo em saúde, mas sua implementação em larga escala requer soluções =
para
questões regulatórias, além do desenvolvimento de IA explicável para facili=
tar
sua aceitação pelos profissionais de saúde.
Palavras-chave:
Inteligência Artificial. Obesidade. Machine Learning. Saúde. Predição.
ABSTRACT
This study aims to analyze t=
he use
of Artificial Intelligence (AI) in predicting adult obesity, highlighting t=
he
main techniques used, challenges faced, and results obtained. The methodolo=
gy
adopted was a systematic literature review using databases such as Scopus, =
Web
of Science, Dimensions, and PubMed. A total of 384 articles were selected a=
fter
applying inclusion and exclusion criteria, focusing on the application of
machine learning and deep learning in health data analysis, particularly
electronic health records (EHR). The results show that AI has high accuracy=
in
identifying risk factors for obesity, enabling earlier and more personalized
interventions. However, technical and ethical challenges, such as data qual=
ity
and algorithmic bias, still need to be addressed. The main conclusions indi=
cate
that AI has the potential to transform preventive healthcare, but large-sca=
le
implementation requires solutions for regulatory issues, as well as the
development of explainable AI to facilitate its acceptance by healthcare
professionals.
Keywords: Artificial intelligence. Obesity. Machine Learni=
ng. Health.
Prediction.
Recebido
em 12/09/2024. Aprovado em 19/11/2=
024.
Avaliado pelo sistema double blind
https://doi.org/10.22279/navus.v15.201=
9
1 INTRODUÇÃO
A Inteligênc= ia Artificial (IA) tem emergido como um dos pilares centrais da Quarta Revoluç= ão Industrial, conhecida também como Revolução 4.0, impactando diversos setore= s, incluindo a saúde (Schwab, 2019). Desde sua primeira menção formal na conferência de Dartmouth em 1956, a IA evoluiu consideravelmente e tornou-se uma ferramenta estratégica em múltiplas áreas, incluindo negócios, medicina e gestão pública (Mintz; = Brodie, 2019). Atualmente, a IA é amplamente utilizada para solucionar problemas complexos por meio da simulação da inteligência humana, desempenhando taref= as que, tradicionalmente, exigiriam uma intervenção humana direta (Dwivedi et al., 2021). No campo da saúde, essas inova= ções tecnológicas têm desempenhado um papel fundamental na transformação dos cuidados médicos, oferecendo soluções como predições mais precisas, tratame= ntos personalizados e diagnósticos automatizados (Saba et al., 2021).
Um dos maior= es desafios globais de saúde pública é a obesidade, que afeta milhões de pesso= as em todo o mundo, estando associada a diversas comorbidades, incluindo diabe= tes tipo 2, doenças cardiovasculares e certos tipos de câncer (Abarca-Gómez et = al., 2017). A predição da obesidade, especialmente em adultos, tornou-se uma áre= a de crescente interesse científico, impulsionada pelos avanços em IA. O uso de técnicas de machine learning (ML) e deep learni= ng (DL) para analisar grandes conjuntos de dados provenientes de Registros Méd= icos Eletrônicos (RME) tem demonstrado resultados promissores na identificação de fatores de risco e no desenvolvimento de modelos preditivos mais eficazes e robustos que os métodos tradicionais (Hamet &am= p; Tremblay, 2017; Tobore et= al., 2019).
A relevância= do tema está diretamente relacionada à capacidade da IA de transformar o paradigma = da saúde preventiva. Ao analisar dados complexos em tempo real, a IA pode forn= ecer predições precisas sobre o risco de obesidade, permitindo intervenções mais precoces e personalizadas (Arora, 2020). Além d= isso, o uso da IA possibilita que profissionais de saúde tomem decisões mais informadas com base em análises preditivas que consideram uma variedade de fatores, como genética, estilo de vida e condições ambientais (Skaria et al., 2020). Dessa forma, a IA pode contribu= ir significativamente para a melhoria dos resultados de saúde pública, potencialmente reduzindo a carga global da obesidade e suas consequências associadas (Alsareii et al., 2022).
Contudo, a a= plicação da IA na predição de obesidade também enfrenta desafios consideráveis. As questões éticas e legais relacionadas ao uso de dados pessoais, a privacida= de e a segurança da informação são aspectos críticos que precisam ser abordados = para garantir uma implementação responsável da tecnologia (Park et al., 2020). A= lém disso, o viés algorítmico e a desigualdade no acesso à tecnologia de IA são barreiras que podem limitar o alcance dos benefícios dessa inovação, particularmente em países em desenvolvimento (Hazarika= , 2020; Liu et al., 2020a).
Neste contex= to, esta revisão tem como objetivo analisar o uso da Inteligência Artificial na pred= ição da obesidade adulta, com foco nas inovações e desafios apresentados pela literatura recente. A partir da análise de técnicas de machine learning e <= span class=3DSpellE>deep learning, busca-se identificar como essas tecnol= ogias estão sendo aplicadas para transformar os cuidados preventivos em saúde. Al= ém disso, a revisão examina as barreiras técnicas, éticas e regulatórias que envolvem a implementação de IA na predição de obesidade, explorando como es= ses obstáculos podem ser superados para maximizar os benefícios dessa tecnologi= a. Por fim, o estudo pretende destacar lacunas no conhecimento atual, promoven= do um entendimento mais profundo sobre o potencial da IA na área da saúde, par= ticularmente em relação à predição e prevenção da obesidade.
2 PROCEDIMENTOS METODOLÓGICOS
Os procedimentos metodológicos visam garanti=
r que
uma pesquisa seja reconhecida como sólida e potencialmente relevante, tanto
pelo campo acadêmico quanto pela sociedade em geral, indicando que foi
desenvolvida com rigor e que é passível de debate e verificação (Lacerda et
al., 2013). A metodologia adotada nesta revisão foi estruturada para garant=
ir a
seleção adequada dos artigos relevantes ao tema da aplicação de Inteligência
Artificial (IA) na predição da obesidade adulta. O processo de busca, seleç=
ão e
análise de artigos seguiu critérios rigorosos e foi conduzido de forma
sistemática para assegurar a robustez e confiabilidade dos resultados.
A pesquisa bibliográfica foi realizada nas
seguintes bases de dados: Scopus, Web of Science, Dimensions e PubMed,
reconhecidas pela ampla cobertura em publicações científicas de alta qualid=
ade.
Cada base foi selecionada com base em sua relevância para o tema, abrangênc=
ia
em áreas multidisciplinares, e histórico de indexação de artigos sobre saúd=
e,
IA e ciência de dados. Essas bases foram escolhidas para maximizar a
abrangência da revisão e garantir a inclusão de estudos relevantes publicad=
os
até abril de 2023.
A formação das strings de busca foi realizada
utilizando operadores booleanos para combinar termos relacionados à IA e
predição de obesidade. Foram utilizadas as segu=
intes
strings de busca: "innovation AND (health*=
OR
'health care') AND ('artificial intelligence' OR 'machine learning' OR 'deep
learning') AND (concept* OR defin* OR construct=
* OR theor*)", aplicadas =
nos campos título, resumo e palavras-chave. =
A
busca foi limitada a artigos em inglês, excluindo-se proceedings e document=
os
não indexados como artigos completos.
Os critérios de inclusão foram definidos para
abarcar artigos que: a) fossem publicados em periódicos revisados por pares=
; b)
estivessem no idioma inglês; c) abordassem a aplicação de IA, particularmen=
te
machine learning e deep learning, na predição de obesidade adulta; d)
incluíssem análises de dados de saúde pública, registros médicos eletrônicos
(RME) e outras fontes de dados biomédicos. Foram excluídos estudos que: a) =
não
apresentassem dados quantitativos robustos ou métodos replicáveis; b) não
estivessem disponíveis em texto completo; c) focassem apenas em discussões
teóricas sem aplicação prática. Obteve-se um total de 384 documentos.
Após a coleta dos estudos, foram aplicadas
técnicas de análise bibliométrica utilizando a ferramenta Bibliometrix,
disponível no software RStudio. Essa ferramenta foi empregada para categori=
zar
e mapear as tendências de pesquisa em inovação na saúde com IA, destacando =
as
abordagens mais frequentes e as lacunas na literatura. A aplicação da Lei de
Bradford auxiliou na identificação dos periódicos mais relevantes para a ár=
ea,
enquanto a Lei de Lotka foi usada para identificar os principais autores e
colaborações científicas.
Esta revisão focou especificamente nas inova=
ções
tecnológicas envolvendo IA para predição de obesidade em adultos. A análise
incluiu artigos que investigavam a integração de dados de saúde com IA, bem
como os desafios éticos e regulatórios dessa implementação. Foram abordados
modelos preditivos baseados em machine learning, destacando sua eficácia na
transformação de cuidados preventivos e personalizados na área da saúde.
3 ANÁLISE E DISCUSSÃO DOS RESULTADOS<= /b>
3.1 Inovação na Saúde por Meio da
Inteligência Artificial
A inovação tecnológica tem sido uma força mo=
triz
transformadora na área da saúde, com a Inteligência Artificial (IA) emergin=
do
como um dos principais agentes de mudança. A IA é frequentemente implementa=
da
com o objetivo de simular a inteligência humana e realizar tarefas que
exigiriam capacidade cognitiva e técnica avançada se executadas por pessoas
(Liu et al., 2020a). Na área da saúde, a IA tem se mostrado fundamental para
melhorar a eficiência dos diagnósticos, aprimorar os resultados dos tratame=
ntos
e promover inovações disruptivas, especialmente através de técnicas como
machine learning (ML) e deep learning (DL) (Dwivedi et al., 2021).
A análise dos resultados obtidos através da
revisão da literatura indica que o uso de IA na saúde vai além da automação=
de
tarefas rotineiras; ela desempenha um papel vital na descoberta de novos
conhecimentos e na aceleração de processos clínicos que antes eram limitados
pela capacidade humana. As organizações de saúde que integram IA em suas
operações têm experimentado ganhos substanciais em eficiência e qualidade do
atendimento ao paciente (Hamet & Tremblay, 2017). Além disso, tecnologi=
as
como a machine learning têm demonstrado uma capacidade inigualável de prever
doenças crônicas, como a obesidade, antes que os sintomas se manifestem de
forma significativa, permitindo intervenções preventivas mais eficazes (Tob=
ore
et al., 2019).
No entanto, apesar das inúmeras vantagens, a
implementação da IA na saúde apresenta desafios. O primeiro está relacionad=
o à
integração de dados clínicos com sistemas de IA de forma que os resultados
preditivos sejam confiáveis e precisos. A coleta de dados de alta qualidade=
é
um requisito essencial, e a variabilidade na forma como os registros médicos
eletrônicos (RME) são mantidos entre diferentes sistemas de saúde continua a
ser um obstáculo significativo (Arora, 2020).
A IA também gera inovações no modelo de negó=
cio de
organizações de saúde, promovendo a criação de novos processos e serviços. O
uso estratégico de IA permite às organizações se manterem competitivas em um
mercado cada vez mais centrado em dados e tecnologias digitais (Lee et al.,
2019). Ao explorar essas inovações, muitos estudos destacam a importância da
construção de sistemas de IA personalizados, ajustados às necessidades
específicas de cada instituição de saúde, o que facilita a inovação contínu=
a e o
ajuste de tecnologias disruptivas às realidades locais (Verganti et al., 20=
20).
3.2 Predição de Obesidade com Técn=
icas de
Inteligência Artificial
A obesidade é uma das principais preocupaçõe=
s de
saúde pública em nível global, afetando milhões de pessoas e resultando em =
um
aumento expressivo de comorbidades como doenças cardiovasculares e diabetes
tipo 2 (Abarca-Gómez et al., 2017). Com o avanço da Inteligência Artificial,
surgem novas oportunidades para melhorar a predição e a prevenção da obesid=
ade,
particularmente através de técnicas como machine learning (ML) e deep learn=
ing
(DL), que são capazes de processar grandes quantidades de dados e identific=
ar
padrões complexos (Tobore et al., 2019).
A revisão da literatura indica que as técnic=
as de
IA podem desempenhar um papel significativo na predição da obesidade ao
analisar múltiplos fatores de risco, como dados genéticos, ambientais e
comportamentais. Os algoritmos de machine learning têm sido utilizados para
analisar dados de Registros Médicos Eletrônicos (RME), permitindo a constru=
ção
de modelos preditivos que oferecem uma visão mais ampla e precisa do risco =
de
obesidade (Alsareii et al., 2022). A capacidade da IA de integrar dados de
diferentes fontes e avaliar variáveis em tempo real proporciona um nível de
precisão que supera os métodos tradicionais de análise, como métodos
estatísticos convencionais (Skaria et al., 2020).
Entre as abordagens discutidas, destaca-se o=
uso
de deep learning, que se mostra particularmente eficaz em identificar padrõ=
es
não lineares e interações complexas entre variáveis que influenciam a obesi=
dade
(An et al., 2022). O uso de redes neurais profundas permite a detecção prec=
oce
de tendências e comportamentos que levam ao ganho de peso, possibilitando
intervenções preventivas mais direcionadas. Essas inovações tecnológicas tê=
m o
potencial de transformar a saúde pública, permitindo que políticas preventi=
vas
sejam adaptadas de forma mais eficaz às necessidades individuais e de
populações específicas (Prem, 2019).
Apesar dos benefícios, a literatura também d=
estaca
os desafios associados à aplicação de IA para predição de obesidade. Um dos
principais problemas é a disponibilidade e a qualidade dos dados de saúde, =
que
muitas vezes são heterogêneos e de difícil integração (Park et al., 2020). =
Além
disso, o viés algorítmico pode representar um risco quando os dados de
treinamento utilizados para construir os modelos não refletem adequadamente=
a
diversidade da população em termos de características como idade, gênero e =
condições
socioeconômicas (Hazarika, 2020). Isso pode levar a predições imprecisas ou
tendenciosas, limitando a eficácia das intervenções.
Outro desafio identificado é a necessidade de
garantir que os profissionais de saúde compreendam os resultados gerados pe=
los
sistemas de IA e sejam capazes de interpretá-los corretamente. Embora a IA
ofereça uma vantagem significativa em termos de análise de dados, ela não
substitui a expertise humana no diagnóstico e no tratamento. Assim, é essen=
cial
que haja uma integração eficaz entre os sistemas de IA e o julgamento clíni=
co
humano para maximizar o benefício dessas tecnologias na predição da obesida=
de
(Arora, 2020).
3.3 Desafios Éticos e Técnicos na
Implementação da IA na Saúde
=
A
implementação de Inteligência Artificial (IA) na saúde, especialmente para a
predição de obesidade, apresenta uma série de desafios éticos e técnicos que
precisam ser enfrentados para garantir que os benefícios dessa tecnologia s=
ejam
maximizados de forma segura e eficaz. Embora a IA tenha o potencial de
revolucionar o campo da saúde, as questões relativas à privacidade, à equid=
ade
no acesso e à interpretação dos dados continuam a ser barreiras significati=
vas
(Park et al., 2020).
Um dos principais desafios éticos no uso de =
IA na
predição de obesidade é a questão da privacidade dos dados dos pacientes. A
saúde de precisão, que utiliza grandes volumes de dados médicos para
personalizar intervenções, depende de informações sensíveis, como registros
médicos eletrônicos (RME), dados genômicos e outras informações biomédicas
(Thapa & Camtepe, 2021). A coleta e o uso desses dados geram preocupaçõ=
es
sobre a privacidade, especialmente em um contexto onde o compartilhamento de
informações pode ser vulnerável a falhas de segurança e invasões. Tecnologi=
as
de IA baseadas em nuvem, por exemplo, podem se tornar alvos para ataques
cibernéticos, comprometendo a segurança dos dados dos pacientes (Park et al=
.,
2020).
Para mitigar esses riscos, há a necessidade =
de
implementar sistemas rigorosos de criptografia e anonimização de dados, alé=
m de
desenvolver diretrizes claras sobre o uso ético de dados em IA. No entanto,=
as
legislações em torno da privacidade de dados, como a Lei Geral de Proteção =
de
Dados (LGPD) no Brasil e o Regulamento Geral sobre a Proteção de Dados (GDP=
R)
na União Europeia, ainda enfrentam desafios para se adaptar à rapidez com q=
ue
as tecnologias de IA evoluem e se integram aos sistemas de saúde (Kemppaine=
n et
al., 2019).
O viés algorítmico é uma preocupação técnica
relevante, pois a IA se baseia em grandes conjuntos de dados para treinar s=
eus
modelos preditivos. Se os dados usados para o treinamento forem enviesados =
ou
incompletos, os resultados também podem ser tendenciosos, o que pode prejud=
icar
populações específicas. Por exemplo, se os dados não incluírem uma amostra
representativa de grupos minoritários, os modelos preditivos podem ser menos
precisos para essas populações, aumentando as desigualdades no cuidado de s=
aúde
(Sahoo et al., 2023).
Além disso, os modelos de machine learning t=
endem
a refletir as desigualdades existentes nos dados históricos, o que pode
perpetuar preconceitos e desigualdades no diagnóstico e tratamento de doenç=
as,
incluindo a obesidade (Hazarika, 2020). É essencial que desenvolvedores de =
IA e
profissionais de saúde colaborem para garantir que os algoritmos sejam just=
os e
inclusivos, e que sejam criados mecanismos para detectar e corrigir o viés
algorítmico.
Outro desafio técnico está relacionado à
interpretação dos resultados gerados pelos sistemas de IA. Muitos profissio=
nais
de saúde, apesar de reconhecerem o potencial das ferramentas de IA, enfrent=
am
dificuldades para interpretar corretamente os insights fornecidos por esses
sistemas (Arora, 2020). A complexidade dos modelos de deep learning, por
exemplo, pode dificultar a explicação de como uma predição foi realizada,
levando à desconfiança nos resultados ou a interpretações equivocadas que p=
odem
impactar o tratamento dos pacientes.
Para abordar esse problema, é necessário
desenvolver sistemas de IA mais transparentes e explicáveis, que permitam a=
os
profissionais de saúde entender como os algoritmos chegam a determinadas
conclusões. Esse campo, conhecido como "IA explicável", está em
rápido desenvolvimento e visa aumentar a confiança e a aceitação da IA no
ambiente clínico, fornecendo justificativas claras para as decisões tomadas
pelos algoritmos (Strachna & Asan, 2020).
Por fim, a implementação eficaz de IA na saú=
de
requer uma infraestrutura robusta, capaz de lidar com o grande volume de da=
dos
e processar algoritmos complexos. Hospitais e clínicas, especialmente em pa=
íses
em desenvolvimento, frequentemente enfrentam limitações tecnológicas, como
falta de conectividade de internet, equipamentos inadequados e pessoal com =
habilidades
técnicas insuficientes (Kemppainen et al., 2019). A falta de uma infraestru=
tura
tecnológica adequada pode limitar a adoção da IA em larga escala e comprome=
ter
sua eficácia.
Além disso, há a necessidade de treinar
profissionais de saúde para trabalhar com essas tecnologias, integrando-as =
de
forma eficiente aos fluxos de trabalho clínicos. A resistência à mudança
organizacional e a falta de confiança nas novas tecnologias também são
barreiras importantes que precisam ser superadas para que a IA seja amplame=
nte
implementada nos sistemas de saúde (Liu et al., 2020a).
3.4 Oportunidades Futuras para o U=
so de IA
na Predição da Obesidade
Apesar dos desafios técnicos e éticos associ=
ados à
implementação de Inteligência Artificial (IA) na saúde, o potencial dessa
tecnologia para melhorar os cuidados preventivos, especialmente na predição=
da
obesidade, é vasto. A análise da literatura revisada sugere que as
oportunidades futuras para o uso de IA nesse campo estão diretamente
relacionadas ao aprimoramento contínuo dos algoritmos e à criação de um
ambiente regulatório que equilibre inovação e segurança (Schouten et al.,
2022).
O aprimoramento contínuo de técnicas de mach=
ine
learning (ML) e deep learning (DL) oferece oportunidades significativas para
aumentar a precisão dos modelos preditivos. À medida que mais dados de alta
qualidade se tornam disponíveis e a capacidade de processamento aumenta,
espera-se que os modelos de IA possam prever com maior exatidão o risco de
obesidade com base em uma combinação de fatores genéticos, comportamentais e
ambientais (Alsareii et al., 2022).
O desenvolvimento de redes neurais profundas=
tem
demonstrado um grande potencial no reconhecimento de padrões complexos e não
lineares, possibilitando a criação de modelos preditivos mais robustos e
adaptáveis a diferentes populações (Tobore et al., 2019). Futuramente,
espera-se que esses algoritmos sejam ainda mais refinados, com a incorporaç=
ão
de novos tipos de dados, como biomarcadores e informações genéticas mais
detalhadas, que podem oferecer uma visão ainda mais precisa do risco de
obesidade (An et al., 2022).
Outra área promissora para o futuro é a inte= gração da IA com tecnologias emergentes como o Big Data e a Internet das Coisas (I= oT). A coleta de dados em tempo real através de dispositivos vestíveis (wearable= s) e sensores integrados ao ambiente pode fornecer informações valiosas sobre o comportamento diário, como atividade física, padrões de sono e alimentação (Woods et al., 2021). Ao combinar esses dados com os algoritmos de IA, será possível monitorar os fatores de risco para a obesidade de forma contínua e= em tempo real, permitindo intervenções preventivas imediatas e mais eficazes.<= o:p>
A análise de dados em larga escala, potencia=
lizada
pelo Big Data, também permitirá uma maior personalização dos tratamentos e
intervenções. Em vez de adotar uma abordagem generalizada, a IA possibilita=
rá
que os profissionais de saúde recomendem intervenções específicas e adaptad=
as a
cada paciente com base em seu perfil único de dados (Hamet & Tremblay,
2017).
A IA tem o potencial de ser um fator determi=
nante
para a saúde global, ajudando a reduzir a disparidade entre países
desenvolvidos e em desenvolvimento no combate à obesidade. Tecnologias base=
adas
em IA podem ser adaptadas para contextos de baixa e média renda, oferecendo
soluções escaláveis e de baixo custo para monitorar e prevenir a obesidade =
em
regiões com recursos limitados (Tran et al., 2019).
Programas de saúde pública que utilizam IA p=
ara
predição de obesidade podem ser implementados em larga escala, utilizando d=
ados
de dispositivos móveis e programas de monitoramento remoto. A personalizaçã=
o em
massa será possível, oferecendo soluções preventivas em grande escala, mesm=
o em
locais com infraestrutura de saúde limitada (Skaria et al., 2020). Esse uso
ampliado de IA para saúde global não apenas melhorará os resultados de saúd=
e,
mas também reduzirá os custos ao fornecer uma forma eficiente de monitorar a
população em risco de obesidade.
Com o avanço das tecnologias de IA, espera-s=
e que
os sistemas de suporte à decisão clínica se tornem mais sofisticados, ajuda=
ndo
os profissionais de saúde a tomar decisões mais informadas sobre a prevençã=
o e
o tratamento da obesidade. Esses sistemas podem integrar dados de múltiplas
fontes, como registros médicos, dispositivos vestíveis e dados genômicos, p=
ara
oferecer recomendações de tratamento mais precisas e personalizadas (Arora,
2020).
O suporte à decisão clínica baseado em IA po=
de
identificar padrões e correlações que não seriam evidentes para um humano,
fornecendo aos médicos insights sobre os melhores caminhos de intervenção. =
Isso
não apenas aumentará a eficácia das intervenções preventivas, mas também
permitirá uma melhor gestão do paciente ao longo do tempo, monitorando
continuamente os fatores de risco e ajustando as intervenções conforme
necessário (Hazarika, 2020).
Uma das maiores oportunidades futuras para a=
IA na
predição de obesidade é o desenvolvimento de IA explicável. À medida que a
tecnologia evolui, há um esforço crescente para tornar os algoritmos mais
transparentes e compreensíveis para profissionais de saúde e pacientes
(Strachna & Asan, 2020). O futuro da IA na saúde não está apenas em sua
capacidade preditiva, mas também na confiança que ela gera entre seus usuár=
ios.
Tecnologias que explicam como chegam às suas conclusões serão fundamentais =
para
aumentar a aceitação da IA em ambientes clínicos.
Além disso, a acessibilidade dessas tecnolog=
ias
também será crucial para garantir que os benefícios da IA sejam amplamente
distribuídos. Esforços para democratizar o acesso a IA em todo o mundo,
particularmente em países de baixa e média renda, serão essenciais para
garantir que as inovações tecnológicas ajudem a mitigar o aumento global da
obesidade (Tran et al., 2019).
3.5 Impactos da IA na Inovação em =
Saúde e
na Predição de Obesidade
A adoção da Inteligência Artificial (IA) na =
área
da saúde não apenas revoluciona a predição de doenças, como também impulsio=
na a
inovação de forma mais ampla, transformando a maneira como o cuidado preven=
tivo
e o tratamento são conduzidos. Na predição de obesidade, os impactos dessas
inovações podem ser observados em múltiplas dimensões, desde melhorias
operacionais até mudanças profundas nos modelos de negócios e nas políticas=
de
saúde pública (Hamet & Tremblay, 2017).
A implementação de IA na saúde tem melhorado
consideravelmente a eficiência operacional das instituições de saúde,
permitindo um uso mais eficiente dos recursos e a realização de diagnósticos
mais rápidos e precisos. No contexto da predição de obesidade, os sistemas
baseados em IA são capazes de processar grandes quantidades de dados de
pacientes e identificar padrões que indicam a probabilidade de ganho de peso
(Tobore et al., 2019). Isso permite que as instituições de saúde priorizem
intervenções preventivas antes que as complicações associadas à obesidade se
desenvolvam.
Ao automatizar processos que, tradicionalmen=
te,
dependiam de cálculos manuais ou diagnósticos clínicos demorados, a IA libe=
ra
tempo para que os profissionais de saúde possam se concentrar em aspectos m=
ais
estratégicos do atendimento ao paciente. Estudos mostram que, em organizaçõ=
es
que integram IA em seus fluxos de trabalho, há uma melhoria significativa na
produtividade, na redução de erros médicos e na gestão de dados clínicos (L=
iu
et al., 2020a).
Além dos benefícios operacionais, a IA també=
m tem
um impacto substancial na transformação dos modelos de negócio de instituiç=
ões
de saúde e seguradoras. O uso de IA para predição de obesidade, por exemplo,
pode resultar em novos modelos de pagamento baseados em resultados, nos qua=
is a
prevenção e o controle de fatores de risco são incentivados e remunerados
(Skaria et al., 2020). Este modelo promove uma mudança de paradigma, de um
enfoque em tratamento curativo para um enfoque mais forte em prevenção, o q=
ue
pode resultar em economias significativas para os sistemas de saúde.
Além disso, a inovação com IA facilita a cri=
ação
de novos produtos e serviços, como plataformas digitais para monitoramento
remoto de pacientes, que se adaptam ao uso de wearables para a coleta de da=
dos
contínuos. Essas plataformas oferecem uma experiência mais personalizada pa=
ra o
paciente, possibilitando intervenções em tempo real com base nos dados
coletados por dispositivos conectados (Woods et al., 2021).
Os impactos da IA na predição de obesidade t=
ambém
se refletem em mudanças significativas nas políticas de saúde pública. O us=
o de
IA permite que as autoridades de saúde identifiquem com maior precisão as
populações em risco, desenvolvam campanhas de prevenção mais eficazes e
implementem programas de saúde pública adaptados às necessidades específica=
s de
diferentes comunidades (Prem, 2019). A capacidade da IA de analisar dados de
diversas fontes, como registros médicos eletrônicos (RME) e dispositivos ve=
stíveis,
facilita a identificação de tendências e padrões que podem informar a
formulação de políticas de prevenção da obesidade.
Com a adoção de IA em saúde pública, há tamb=
ém a
possibilidade de melhorar a alocação de recursos, garantindo que intervençõ=
es
sejam direcionadas para as áreas onde serão mais eficazes. A utilização de
machine learning para prever a disseminação da obesidade e outras doenças
crônicas permite um planejamento mais eficiente e a criação de políticas que
priorizem ações preventivas e de redução de riscos (Tran et al., 2019).
Outro impacto crucial da IA na inovação da s=
aúde é
a capacidade de personalizar os cuidados preventivos e de saúde. A predição=
da
obesidade, quando feita com IA, pode ser altamente personalizada, levando em
consideração fatores individuais, como genética, hábitos alimentares, nível=
de
atividade física e condições ambientais (Alsareii et al., 2022). A capacida=
de
de monitoramento contínuo oferecida por dispositivos IoT conectados e
wearables, juntamente com algoritmos de machine learning, permite que as in=
tervenções
sejam adaptadas em tempo real conforme as mudanças no comportamento ou nos
fatores de risco do paciente.
Esse nível de personalização traz um impacto
direto na eficácia dos programas de controle de obesidade, pois permite a
criação de planos de intervenção ajustados às necessidades individuais,
melhorando os resultados a longo prazo (Skaria et al., 2020). Além disso, e=
sse
monitoramento contínuo pode proporcionar uma base de dados robusta para a
análise de longo prazo, oferecendo insights valiosos para futuros estudos
clínicos e epidemiológicos.
Os ganhos em eficiência proporcionados pela =
IA,
combinados com a capacidade de predição precoce, podem resultar em uma
significativa redução de custos nos sistemas de saúde. Ao identificar pacie=
ntes
com risco elevado de obesidade antes do desenvolvimento de complicações gra=
ves,
como doenças cardiovasculares ou diabetes tipo 2, a IA permite intervenções
preventivas mais baratas e eficazes, o que diminui a necessidade de tratame=
ntos
mais caros e prolongados (An et al., 2022).
Além disso, a automação de processos
administrativos e clínicos também pode reduzir os custos operacionais,
eliminando tarefas manuais repetitivas e minimizando os erros humanos que p=
odem
resultar em custos adicionais. Como resultado, a integração de IA no manejo=
da
obesidade tem o potencial de não apenas melhorar a saúde dos pacientes, mas
também tornar o sistema de saúde como um todo mais sustentável financeirame=
nte
(Hazarika, 2020).
3.6 Desafios Restantes e Limitaçõe=
s da IA
na Predição de Obesidade
Apesar dos inúmeros avanços e do imenso pote=
ncial
que a Inteligência Artificial (IA) oferece para a predição da obesidade, ai=
nda
existem desafios e limitações significativas que precisam ser abordados para
que essa tecnologia seja amplamente adotada e ofereça seus benefícios em es=
cala
global. Esses desafios não se limitam apenas a questões técnicas, mas também
envolvem aspectos éticos, sociais e operacionais, que podem dificultar a
implementação efetiva das soluções baseadas em IA no campo da saúde.
Um dos maiores desafios na predição da obesi=
dade
com IA é a dependência da qualidade e da disponibilidade dos dados. A preci=
são
dos modelos de machine learning (ML) e deep learning (DL) depende da existê=
ncia
de grandes quantidades de dados de alta qualidade e devidamente etiquetados=
, o
que nem sempre está disponível em todos os sistemas de saúde (Sahoo et al.,
2023). Dados incompletos, inconsistentes ou desatualizados podem resultar em
modelos preditivos imprecisos ou enviesados.
Além disso, a heterogeneidade dos sistemas de
registros médicos eletrônicos (RME) em diferentes instituições de saúde e
países dificulta a padronização e a interoperabilidade dos dados, o que é
essencial para que a IA possa ser aplicada de maneira eficaz (Park et al.,
2020). Muitos sistemas de saúde, especialmente em países de baixa e média
renda, ainda enfrentam dificuldades para digitalizar adequadamente seus
registros, limitando a implementação de soluções avançadas de IA.
O viés algorítmico continua a ser um problema
crítico na aplicação de IA na predição de obesidade. Quando os dados usados
para treinar os algoritmos não representam adequadamente a diversidade da
população, os modelos podem apresentar vieses, resultando em previsões menos
precisas para certos grupos, como minorias étnicas ou populações de baixa r=
enda
(Hazarika, 2020). Isso pode exacerbar as desigualdades já existentes no ace=
sso
e na qualidade dos cuidados de saúde.
Por exemplo, se os algoritmos forem treinados
predominantemente com dados de populações de países desenvolvidos, eles pod=
em
não funcionar tão bem quando aplicados a populações de países em
desenvolvimento, onde os fatores de risco para obesidade podem ser diferent=
es.
Assim, é essencial que as iniciativas de IA incluam esforços para coletar d=
ados
representativos e garantir que os algoritmos sejam validados em diversas
populações e contextos (Sahoo et al., 2023).
Embora a IA tenha demonstrado um grande pote=
ncial
para prever a obesidade, a interpretação dos resultados fornecidos pelos
algoritmos ainda apresenta desafios significativos. Muitos modelos de deep
learning são considerados "caixas-pretas", o que significa que,
embora sejam capazes de gerar predições precisas, é difícil para os
profissionais de saúde entenderem como essas predições são feitas (Strachna
& Asan, 2020). Essa falta de transparência pode levar a uma relutância =
por
parte dos médicos em confiar completamente nos resultados fornecidos pela I=
A,
especialmente quando as predições são contraditórias com sua experiência
clínica.
A IA explicável, que visa fornecer justifica=
tivas
claras e compreensíveis para as decisões tomadas pelos algoritmos, ainda es=
tá
em fase de desenvolvimento e implementação. Até que os sistemas de IA possam
fornecer explicações claras de suas predições, haverá uma limitação
significativa em sua adoção em larga escala nos ambientes clínicos (Arora,
2020).
As questões éticas também desempenham um pap=
el
central nos desafios relacionados à implementação da IA na predição de
obesidade. A privacidade e a segurança dos dados de saúde são preocupações
fundamentais, especialmente em um cenário em que grandes volumes de dados
pessoais são processados por sistemas de IA (Park et al., 2020). A coleta, o
armazenamento e o uso de dados de pacientes devem estar em conformidade com
legislações de proteção de dados, como o Regulamento Geral sobre a Proteção=
de
Dados (GDPR) na União Europeia e a Lei Geral de Proteção de Dados (LGPD) no
Brasil.
Além disso, é necessário um quadro regulatór=
io
claro e consistente para a aprovação de sistemas de IA no setor de saúde. As
agências reguladoras enfrentam o desafio de equilibrar a inovação com a
segurança, garantindo que os algoritmos de IA sejam validados adequadamente
antes de serem implementados em ambientes clínicos. No entanto, muitos
reguladores ainda estão desenvolvendo políticas para lidar com as questões
únicas apresentadas pela IA, como a responsabilidade em caso de erro ou fal=
ha
do sistema (Maliha et al., 2021).
Outro desafio significativo é a capacitação =
dos
profissionais de saúde para trabalhar com IA. Muitos médicos e outros
profissionais de saúde ainda não possuem treinamento adequado para interpre=
tar
e utilizar ferramentas baseadas em IA de forma eficaz (Hazarika, 2020). Essa
falta de familiaridade pode levar a uma resistência à adoção da tecnologia,
especialmente se os profissionais acreditarem que a IA pode ameaçar suas
decisões clínicas ou substituir seu papel.
É crucial que os programas de capacitação e
educação sejam implementados para garantir que os profissionais de saúde se
sintam confortáveis e confiantes no uso dessas tecnologias. Além disso, dev=
e-se
enfatizar a importância da IA como uma ferramenta complementar, e não
substitutiva, ao julgamento clínico humano (Skaria et al., 2020).
Em muitas regiões, especialmente em países de
baixa e média renda, a infraestrutura tecnológica necessária para implement=
ar
soluções de IA na predição de obesidade é insuficiente. A falta de
conectividade à internet, de equipamentos adequados e de acesso a plataform=
as
digitais modernas são barreiras que limitam a adoção de IA em escala global
(Kemppainen et al., 2019). Para superar essas limitações, será necessário
investir em melhorias na infraestrutura de TI e em plataformas acessíveis q=
ue
possam ser utilizadas em diferentes contextos.
4 CONSIDERAÇÕES= FINAIS
A aplicação de
Inteligência Artificial (IA) na predição de obesidade adulta tem importantes
implicações para a área da saúde, especialmente no contexto de cuidados
preventivos e personalizados. Ao integrar técnicas avançadas de machine
learning (ML) e deep learning (DL), é possível realizar predições mais prec=
isas
e antecipadas sobre o risco de obesidade, permitindo que intervenções
preventivas sejam realizadas antes que as condições associadas à obesidade =
se
manifestem (Hamet & Tremblay, 2017). Isso pode levar a uma mudança de
paradigma na forma como o sistema de saúde aborda doenças crônicas, promove=
ndo
a transição de um modelo reativo para um modelo proativo, centrado na
prevenção.
Além disso, a
incorporação de IA em processos clínicos e operacionais abre novas
oportunidades para a eficiência no uso de recursos, otimização de diagnósti=
cos
e melhoria na alocação de tratamentos (Dwivedi et al., 2021). No longo praz=
o, a
IA pode contribuir significativamente para a redução de custos, tanto para =
as
instituições de saúde quanto para os pacientes, ao minimizar a necessidade =
de
tratamentos mais invasivos e caros. Em termos de políticas de saúde pública=
, as
predições realizadas pela IA oferecem um caminho para o desenvolvimento de
campanhas de prevenção mais direcionadas, baseadas em evidências robustas
extraídas de grandes volumes de dados de saúde (Prem, 2019).
Apesar do vasto
potencial da IA na predição de obesidade, o estudo também identificou várias
limitações que precisam ser consideradas. Primeiramente, a disponibilidade =
e a
qualidade dos dados continuam sendo um desafio crítico. Modelos de IA,
especialmente aqueles baseados em deep learning, dependem de grandes conjun=
tos
de dados de alta qualidade para funcionar corretamente (Sahoo et al., 2023)=
. Em
muitas regiões, especialmente em países de baixa e média renda, a
infraestrutura de dados de saúde é limitada, e os registros médicos eletrôn=
icos
(RME) não são suficientemente padronizados, o que pode comprometer a eficác=
ia
das predições.
Outra limitação
importante está relacionada ao viés algorítmico. Se os dados usados para
treinar os modelos de IA não forem representativos da população em questão,=
os
resultados podem ser enviesados e imprecisos, o que levanta preocupações ét=
icas
e operacionais (Hazarika, 2020). Além disso, a IA ainda enfrenta desafios
relacionados à transparência e à interpretabilidade. Muitos dos sistemas de
deep learning funcionam como "caixas-pretas", onde o processo de
tomada de decisão é opaco, o que pode dificultar a aceitação e a confiança =
por
parte dos profissionais de saúde (Strachna & Asan, 2020).
Dada a complexida=
de e
os desafios apresentados, há uma necessidade urgente de estudos futuros que
abordem essas limitações e explorem novas formas de maximizar os benefícios=
da
IA na predição de obesidade. Uma das áreas prioritárias de pesquisa é o des=
envolvimento
de algoritmos de IA explicável, que permitam aos profissionais de saúde
entender como as predições são feitas, aumentando assim a confiança e a ado=
ção
dessas tecnologias (Arora, 2020). Esses algoritmos devem ser projetados para
fornecer insights claros sobre o processo de tomada de decisão, garantindo =
que
o sistema de IA complemente, em vez de substituir, o julgamento clínico hum=
ano.
Além disso, mais
estudos são necessários para lidar com o problema do viés algorítmico.
Pesquisas que explorem maneiras de criar modelos mais justos e inclusivos, =
que
sejam treinados com dados diversificados e representativos de diferentes
populações, são essenciais para garantir que os sistemas de IA beneficiem a
todos igualmente (Sahoo et al., 2023). A coleta de dados de populações de
países em desenvolvimento e de grupos sub-representados deve ser uma
prioridade.
Finalmente, uma á=
rea
promissora para estudos futuros é a integração de IA com outras tecnologias
emergentes, como Internet das Coisas (IoT) e Big Data, para desenvolver
plataformas que permitam o monitoramento contínuo dos fatores de risco para=
a
obesidade (Woods et al., 2021). Esses sistemas podem fornecer dados em tempo
real, que serão fundamentais para a personalização de intervenções preventi=
vas
e para o desenvolvimento de políticas de saúde pública mais eficazes.
REFERÊNCI=
AS
Abarca-Gómez, L., et al. (2017). Worldwide trends in body-mass index, underweight, overweight,
and obesity from 1975 to 2016: A pooled analysis of 2416 population-based
measurement studies in 128.9 million children, adolescents, and adults.
Alsareii, S. A., Shaf, A., Ali, T., Zafar, M., Alamri, A. =
M., Alasmari, M. Y., Irfan, M., & Awais, M. (2022). I=
oT
framework for a decision-making system of obesity and overweight extrapolat=
ion
among children, youths, and adults. Life,
12(9), 1414. https://doi.org/10.3390/life12091414
An, R., Shen, J., & Xiao, Y. (2022). Applicati=
ons
of artificial intelligence to obesity research: Scoping review of
methodologies. Jour=
nal of
Medical Internet Research, 24(12), e40589. https://doi.org/10.2196/40589
Arora, A. (2020). Conceptuali=
sing
artificial intelligence as a digital healthcare innovation: An introductory
review. Medical Dev=
ices:
Evidence and Research, 13(1), 223–230. https://doi.org/10.2147/MDE=
R.S262590
Dwivedi, Y. K., et al. (2021). Artificial intellig=
ence
(AI): Multidisciplinary perspectives on emerging challenges, opportunities,=
and
agenda for research, practice and policy. International
Journal of Information Management, 57, 1–47. https://d=
oi.org/10.1016/j.ijinfomgt.2019.08.002
Hamet, P., & Tremblay, J. (2017). Artificial
intelligence in medicine. Metabolism,
69(1), S36–S40. https://d=
oi.org/10.1016/j.metabol.2017.01.011
Hazarika, I. (2020). Artificial intelligence:
Opportunities and implications for the health workforce. International Health, 12(4),
241–245. https://doi.org/10.1093/inthealth/ihaa007
Kemppainen, L., Pikkarainen, M., Hurmelinna-Laukkanen,
P., & Reponen, J. (2019). Data access in connected health innovation:
Managerial orchestration challenges and solutions. Technology Innovation Management Review, 9<=
/em>(12),
43–55. https://doi.org/10.22215/timreview/1291
Lacerda, D. P., Dresch, A., Proença, A., & Ant=
unes
Júnior, J. A. V. (2013). Design
Science Research: Método de pesquisa para a
engenharia de produção. Gestão
& Produção, 20(4), 741–761. https://doi.org/10.1590/S0104-530X2013005000014
Emerging technology and business model innovation:=
The
case of artificial intelligence. https://d=
oi.org/10.3390/joitmc5030044
Liu, J., Chang, H., Forrest, J. Y., & Yang, B.
(2020). Influence of artificial intelligence on technological innovation:
Evidence from the panel data of China’s manufacturing sectors. Technological Forecasting and
Social Change, 158(120142), 1–11. https://d=
oi.org/10.1016/j.techfore.2020.120142
Maliha, G., Gerke, S., Cohen, I. G., & Parikh,=
R.
B. (2021). Artificial intelligence and liability in medicine: Balancing saf=
ety
and innovation. The
Milbank Quarterly, 1468–12504. https://d=
oi.org/10.1111/1468-0009.12504
Mintz, Y., & Brodie, R. (2019). Introduction to
artificial intelligence in medicine. Minimally
Invasive Therapy & Allied Technologies, 28(2), 73–81. https://d=
oi.org/10.1080/13645706.2019.1575882
Park, C. W., et al. (2020). Artificial intelligenc=
e in
health care: Current applications and issues. Journal of Korean Medical Science, 35(=
42),
1–11. https://doi.org/10.3346/jkms.2020.35.e379
Prem, E. (2019). Artificial intelligence for
innovation in Austria. Technology
Innovation Management Review, 9(12), 5–15. https://d=
oi.org/10.22215/timreview/1287
Saba, D., Sahli, Y., Maouedj<=
/span>,
R., Hadidi, A., & Medjahed, M. B. (2021). T=
owards
artificial intelligence: Concepts, applications, and innovations. In A.-E. =
Hassanien, M. H. Taha, & N. E. Khalifa (Orgs.), <=
em>Enabling AI applications in d=
ata
science (pp. 103–146). Springer. https://d=
oi.org/10.1007/978-3-030-52067-0_6
Sahoo, P. R., Smrutirekha,
& Chatterjee, M. (2023). Threats and challenges of artificial intellige=
nce
in the healthcare industry. In Lecture
Notes in Networks and Systems, 396, 761–770. Springer. https://d=
oi.org/10.1007/978-981-16-9967-2_72
Schouten, B., et al. (2022). Implementing artifici=
al
intelligence in clinical practice: A mixed-method study of barriers and
facilitators. Journ=
al of
Medical Artificial Intelligence, 5(0), 12–12. https://doi.org/10.21037/jm=
ai-22-71
Schwab, K. (2019). A Quarta Revolução Industrial. Edipro.
Skaria, R., Satam, P., & =
Khalpey,
Z. (2020). Opportunities and challenges of disruptive innovation in medicine
using artificial intelligence. The
American Journal of Medicine, 133(6), e215–e217. https://d=
oi.org/10.1016/j.amjmed.2019.12.016
Strachna, O., & Asan, O. (2020). Reengineering clinical
decision support systems for artificial intelligence. In 2020 IEEE International Confe=
rence
on Healthcare Informatics (ICHI) (pp. 1–3). IEEE. https://d=
oi.org/10.1109/ICHI48887.2020.9374370
Thapa, C., & Camtepe, S.
(2021). Precision health data: Requirements, challenges and existing techni=
ques
for data security and privacy. Computers
in Biology and Medicine, 129(104130), 1–35. https://d=
oi.org/10.1016/j.compbiomed.2020.104130
Tobore<=
/span>, I., Li, J., Yuhang, L., Al-=
Handarish,
Y., Kandwal, A., Nie, Z., & Wang, L. (2019)=
. Deep
learning intervention for health care challenges: Some biomedical domain
considerations. JMIR
mHealth and uHealth, 7(8), 1–36. https://doi.org/10.2196/11966
Verganti, R., Vendraminelli, L=
.,
& Iansiti, M. (2020). Innovation and design=
in
the age of artificial intelligence. Journal
of Product Innovation Management, 37(3), 212–227. https://doi.org/10.1111/jpi=
m.12523
Woods, T., Manson Brown, S., & Page, B. (2021).
Living longer better. Plastic & Reconstructive Surgery, 148(6S),
7S–13S.
Aplicação de Inteligência
Artificial na Predição da Obesidade Adulta: Inovações e Desafios no Setor de
Saúde
Vandoir Welchen;
Ana Cristina Fachinelli; Scheila de Avila e Sil=
va
|
IS=
SN
2237-4558 •<=
/span> Navus • <=
/span>Florianópolis
• SC • <=
/span>v.
15 • p. 01- |
|
|
|
|
|
ISSN 2237-4558 • Navus • &n=
bsp;Florianópolis •
SC • v.9
• n.2 • <=
/span>p.
XX-XX • abr./jun. 2019 |
|