O impacto da inteligência artificial na interpretação de exames de imagem em diagnóstico médico
DOI:
https://doi.org/10.34119/bjhrv7n3-132Keywords:
inteligência artificial, diagnóstico por imagem, acurácia diagnóstica, erros diagnósticos, radiologiaAbstract
Introdução: A inteligência artificial (IA) refere-se à capacidade de sistemas computacionais processarem extensas quantidades de dados para simular comportamentos inteligentes, incluindo aprendizado autônomo. Objetivo: Investigar os impactos do uso da IA na interpretação de exames de imagem médicos. Metodologia: Revisão integrativa nas bases de dados nas bases científicas: LILACS, SCIELO e PUBMED. Resultados e Discussões: 17 artigos foram selecionados. A inteligência artificial está transformando o diagnóstico por imagem, melhorando a precisão, agilizando o processamento dos exames e fornecendo análises mais objetivas e reprodutíveis. Essas tecnologias também estão contribuindo para a medicina de precisão, permitindo diagnósticos e tratamentos personalizados. Além disso, modificam a configuração das estações de trabalho dos radiologistas, que agora incluem um terceiro monitor para análises assistidas por IA. Conclusão: A implementação da IA em sistemas de diagnóstico por imagem e em análises clínicas tem demonstrado um potencial significativo para personalizar e otimizar tratamentos, além de agilizar e precisar diagnósticos, o que é crucial para avanços em uma medicina centrada no paciente. Essa tecnologia promete transformações na maneira como médicos e pacientes abordam o tratamento e o acompanhamento de diversas doenças.
References
ACTIS, Andrea Mariel. Consideraciones bioéticas en relación con el uso de la inteligencia artificial en mastología. Revista Médica del Uruguay, v. 37, n. 4, 2021.
ARAÚJO-FILHO, José et al. Inteligência artificial e diagnóstico por imagem-o futuro chegou?. Rev. Soc. Cardiol. Estado de Säo Paulo, p. 346-349, 2019.
AZEVEDO-MARQUES, Paulo Mazzoncini de. Diagnóstico auxiliado por computador na radiologia. Radiologia Brasileira, v. 34, p. 285-293, 2001.
BERCEAN, Bogdan A. et al. Evidence of a cognitive bias in the quantification of COVID-19 with CT: an artificial intelligence randomised clinical trial. Scientific Reports, v. 13, n. 1, p. 4887, 2023.
DEMBROWER, Karin et al. Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study. The Lancet Digital Health, v. 5, n. 10, p. e703-e711, 2023.
DE OLIVEIRA GODINHO, Graziella Karoline Miguel et al. Dermatologia, avanços tecnológicos e Inteligência Artificial para o diagnóstico de doenças de pele. Brazilian Journal of Health Review, v. 7, n. 2, p. e68779-e68779, 2024.
DE SOUZA GODOY, Luis Filipe et al. Advances in diffuse glial tumors diagnosis. Arquivos de Neuro-psiquiatria, v. 81, n. 12, p. 1134-1145, 2023.
DU, Yangchun et al. Development and validation of an ultrasound-based deep learning radiomics nomogram for predicting the malignant risk of ovarian tumours. BioMedical Engineering OnLine, v. 23, n. 1, p. 1-21, 2024.
HU, Bin et al. A deep-learning model for intracranial aneurysm detection on CT angiography images in China: a stepwise, multicentre, early-stage clinical validation study. The Lancet Digital Health, v. 6, n. 4, p. e261-e271, 2024.
HWANG, Eui Jin et al. Conventional versus artificial intelligence-assisted interpretation of chest radiographs in patients with acute respiratory symptoms in emergency department: a pragmatic randomized clinical trial. Korean Journal of Radiology, v. 24, n. 3, p. 259, 2023.
LUCENA, Abrahão Rocha et al. Development of an application for providing corneal topography reports based on artificial intelligence. Arquivos Brasileiros de Oftalmologia, v. 85, p. 351-358, 2021.
MENDES, Karina Dal Sasso; SILVEIRA, Renata Cristina de Campos Pereira; GALVÃO, Cristina Maria. Revisão integrativa: método de pesquisa para a incorporação de evidências na saúde e na enfermagem. Texto & contexto-enfermagem, v. 17, p. 758-764, 2008.
OSELAME, Gleidson Brandão et al. Software for automatic diagnostic prediction of skin clinical images based on ABCD rule. Biosci. j.(Online), p. 1065-1078, 2017.
QIN, Xiachuan et al. Development of a novel combined nomogram model integrating deep learning radiomics to diagnose IgA nephropathy clinically. Renal Failure, v. 45, n. 2, p. 2271104, 2023.
MENZIES, Scott W. et al. Comparison of humans versus mobile phone-powered artificial intelligence for the diagnosis and management of pigmented skin cancer in secondary care: a multicentre, prospective, diagnostic, clinical trial. The Lancet Digital Health, v. 5, n. 10, p. e679-e691, 2023.
ROBLES-MEDRANDA, Carlos et al. Artificial intelligence for diagnosing neoplasia on digital cholangioscopy: Development and multicenter validation of a convolutional neural network model. Endoscopy, v. 55, n. 08, p. 719-727, 2023.
SACHPEKIDIS, Christos et al. Application of an artificial intelligence-based tool in [18F] FDG PET/CT for the assessment of bone marrow involvement in multiple myeloma. European Journal of Nuclear Medicine and Molecular Imaging, v. 50, n. 12, p. 3697-3708, 2023.
SANTOS, Cristina Mamédio da Costa; PIMENTA, Cibele Andrucioli de Mattos; NOBRE, Moacyr Roberto Cuce. A estratégia PICO para a construção da pergunta de pesquisa e busca de evidências. Revista latino-americana de enfermagem, v. 15, p. 508-511, 2007.
SILVA, Fabrício R. et al. Sensitivity and specificity of machine learning classifiers for glaucoma diagnosis using Spectral Domain OCT and standard automated perimetry. Arquivos brasileiros de oftalmologia, v. 76, p. 170-174, 2013.
SILVA FILHO, Wilson Seraine; DE OLIVEIRA, Ronielson Manoel Sousa. A importância da inteligência artificial na radiologia: uma revisão sistemática da literatura Importance of artificial intelligence in radiology: a systematic literature. Brazilian Journal of Health Review, v. 5, n. 4, p. 12638-12649, 2022.
SOUN, Jennifer et al. The Role of Artificial Intelligence in Neuro-oncology Imaging. Machine Learning for Brain Disorders, p. 963-976, 2023.
WOLF, Risa M. et al. Autonomous artificial intelligence increases screening and follow-up for diabetic retinopathy in youth: the ACCESS randomized control trial. Nature communications, v. 15, n. 1, p. 421, 2024.
