Felizmente, a gama de terapias focadas em ajudar pacientes com câncer de pulmão cresceu tremendamente nas últimas duas décadas. No entanto, a detecção precoce do câncer ainda é um dos únicos meios para diminuir significativamente as taxas de mortalidade.
Leia mais: Quem é a bilionária chinesa que investe para curar o câncer
O estudo foi publicado formalmente no “Journal of Clinical Oncology” na semana passada e discute como “ferramentas que fornecem avaliação personalizada de risco futuro de câncer podem focar abordagens para aqueles com maior probabilidade de se beneficiar”.
Os líderes do estudo afirmam que “um modelo de aprendizado profundo avaliando todos os dados volumétricos de LDCT [Low Dose Contrast CT] poderia ser construído para prever o risco individual sem a necessidade de dados demográficos ou clínicos adicionais”.
Leia mais: Câncer de pâncreas: doença atinge principalmente os homens
No geral, o estudo foi notavelmente bem-sucedido até agora: Sybil é capaz de prever o risco futuro de câncer de pulmão de um paciente com certa precisão, usando os dados de apenas um LDCT.
Sem dúvida, as aplicações clínicas e as implicações dessa tecnologia ainda são imaturas. Mesmo os líderes do estudo concordam que um trabalho significativo precisará ser feito para descobrir exatamente como aplicar essa tecnologia na prática clínica real – especificamente no que diz respeito ao desenvolvimento de um grau de confiança na tecnologia.
No entanto, a premissa do algoritmo ainda é incrivelmente poderosa e implica uma mudança potencial no campo do diagnóstico preditivo.
Os especialistas, em um primeiro momento, podem se opor a sistemas como esses, observando que nenhum sistema de IA poderia igualar o julgamento e a proeza clínica para substituir um médico humano. Mas o objetivo de sistemas como esses não é necessariamente substituir a experiência do médico, mas sim aumentar potencialmente os fluxos de trabalho dos médicos.
Um sistema como Sybil poderia ser facilmente usado como uma ferramenta de recomendação, sinalizando possíveis TCs para um médico, que poderia então usar sua experiência e seu conhecimento para concordar ou discordar da recomendação de Sybil. Isso provavelmente não apenas melhoraria o rendimento clínico, mas também poderia atuar como um processo secundário de “verificação” e possivelmente aumentar a precisão do diagnóstico.
Sem dúvida, ainda há muito trabalho a ser feito nessa área. Cientistas, desenvolvedores e inovadores têm uma longa jornada pela frente não apenas para aperfeiçoar o algoritmo e o sistema em si, mas também para navegar na arena hiperdiferenciada de introduzir essa tecnologia em aplicações clínicas reais. No entanto, a tecnologia, a intenção e o potencial que ela encerra em relação à melhoria da assistência ao paciente, se for desenvolvida de forma segura, ética e eficaz, é de fato promissora para a geração de diagnósticos que virão.