1

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO PARÁ

CAMPUS BELÉM

TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS

SAVIO ALUIZIO GONÇALVES FRANÇA

MARCELO VITOR MARTINÊZ FARO

MACHINE LEARNING NA MEDICINA: IMPACTOS E DESAFIOS NAS TOMADAS

DE DECISÕES NA PRÁTICA MÉDICA

BELÉM

2023
 2

SAVIO ALUIZIO GONÇALVES FRANÇA

MARCELO VITOR MARTINÊZ FARO

MACHINE LEARNING NA MEDICINA: IMPACTOS E DESAFIOS NAS TOMADAS

DE DECISÕES NA PRÁTICA MÉDICA

Projeto de Pesquisa para Trabalho de

Conclusão de Curso apresentado ao
Instituto Federal de Educação, Ciência e
Tecnologia do Pará - IFPA - Campus Belém.
Como requisito para obtenção de nota
semestral da disciplina Metodologia
Científica.

Orientadora: Profª. Dra. Andrea L. Marques

da Costa
 3

BELÉM
2023

RESUMO

Este projeto investiga a incorporação de Machine Learning na medicina, focando

nos impactos e desafios nas tomadas de decisões clínicas. Abordamos questões
éticas, resistência à mudança e eficácia diagnóstica. A estratégia metodológica
envolve revisão bibliográfica e análise de casos práticos. Esperamos fornecer
insights cruciais para uma integração ética e eficaz dessas tecnologias, promovendo
a otimização da prática médica.

Palavras-Chave: Aprendizado de Máquina, Medicina, Tomada de Decisões, Ética,

Diagnóstico.

ABSTRACT

This project investigates the incorporation of Machine Learning in medicine, focusing

on the impacts and challenges in clinical decision-making. We address ethical
issues, resistance to change and diagnostic effectiveness. The methodological
strategy involves bibliographic review and analysis of practical cases. We hope to
provide crucial insights for the ethical and effective integration of these technologies,
promoting the optimization of medical practice.

Keywords: Machine Learning, Medicine, Decision Making, Ethics, Diagnosis.

 4

SUMÁRIO

1. INTRODUÇÃO..................................................................................................................... 5

2. TEMA / DELIMITAÇÃO DO TEMA...................................................................................... 6

3. PROBLEMA DA PESQUISA............................................................................................... 6

4. JUSTIFICATIVA....................................................................................................................7

5. HIPÓTESES......................................................................................................................... 8

6. OBJETIVO GERAL / ESPECÍFICOS...................................................................................9

6.1. Objetivo Geral:................................................................................................................. 9

6.2. Objetivos Específicos:.................................................................................................. 10

7. METODOLOGIA.................................................................................................................10

REFERÊNCIAS...................................................................................................................... 12
 5

1. INTRODUÇÃO

A incorporação de Machine Learning (ML) na prática médica redefine o cenário da

medicina, impactando significativamente as tomadas de decisões clínicas. Com base
em uma revisão aprofundada de artigos disponíveis no portal de periódicos da
CAPES e em obras clássicas da área, emerge uma compreensão abrangente dos
avanços e desafios inerentes a essa revolução tecnológica.
Os estudos revelam que os algoritmos de ML têm a capacidade única de processar
vastos conjuntos de dados clínicos, fornecendo uma análise mais abrangente e
identificação de padrões sutis. Como destacado por Topol (2019), "a aplicação de
ML na medicina está modificando a prática clínica, acelerando diagnósticos e
personalizando tratamentos com base em dados individuais." Essa capacidade
transformadora reflete-se na potencial otimização das decisões médicas,
impulsionando a eficácia dos processos diagnósticos e terapêuticos.
Contudo, a literatura também sublinha desafios éticos e práticos associados à
implementação de ML na medicina. Guidotti et al. (2018) apontam que "a proteção
da privacidade do paciente é uma preocupação crucial, especialmente considerando
o acesso e manipulação de dados confidenciais para treinar algoritmos de ML." Este
dilema ético ressalta a necessidade de estratégias robustas para garantir a
segurança e a confidencialidade dos dados.
A preocupação dos profissionais de saúde sobre a substituição por algoritmos na
tomada de decisões clínicas também é discutida nas obras consultadas. Obermeyer
e Emanuel (2016) observam que “a intervenção humana permanece insubstituível
em situações que impedem a compreensão do contexto emocional e social, a ética e
a interpretação de nuances não capturadas pelos algoritmos”.
 6

Em suma, a revisão abrangente destaca que, embora o ML na medicina promete

revolucionar as tomadas de decisões, é imperativo abordar desafios tópicos, como a
privacidade do paciente, e considerar as áreas em que uma intervenção humana é
necessária. O equilíbrio entre inovação tecnológica e considerações éticas é crucial
para uma integração responsável e eficaz dessas tecnologias na prática médica.

2. TEMA / DELIMITAÇÃO DO TEMA

O tema proposto para a pesquisa foi a Learning Machine na medicina por ser um
tema que vem crescendo e tendo bastante enfoque na sociedade atual,
principalmente pela ligação com a Inteligência Artificial (IA), tema muito procurado
nos tempos atuais..
Dentro das diversas opções que o tema nos oferece, optamos por delimitá-lo sobre
uma perspectiva muito interessante do ponto de vista científico e profissional, no
qual o tema seria delimitado em “Impactos e desafios nas tomadas de decisões na
prática médicas”.
A delimitação do tema foi feita para entender a integração de tecnologias de
Machine Learning nas tomadas de decisões na área da saúde, no qual as mesmas
têm sido marcadas como uma área de grande interesse devido ao seu potencial
para melhorar diagnósticos, tratamentos e gestão de saúde.

3. PROBLEMA DE PESQUISA

Com o grande crescimento e importância do machine learning em um todo,

principalmente na medicina, é claro que esse tema levanta questões, como por
exemplo: a confiabilidade dos diagnósticos, os desafios éticos, a integração com
práticas médicas tradicionais e a resistência à mudança são obstáculos a serem
superados.
● Como os impactos e desafios decorrentes da implementação de técnicas de
Machine Learning afetam as tomadas de decisões na prática médica?
 7

● Como maximizar os benefícios dessas tecnologias, considerando de forma

abrangente desafios éticos, técnicos e práticos, assegurando a confiança tanto dos
profissionais de saúde quanto dos pacientes?

4. JUSTIFICATIVA

A proposta de pesquisa representa um mergulho profundo e crucial no cenário em

constante evolução da integração da aprendizagem de máquina na área da
medicina, um campo onde o potencial transformador da inteligência artificial (IA) tem
gerado tanta excitação quanto apreensão. Este projeto nasce da necessidade
urgente de entender os desafios que surgem ao utilizar algoritmos de aprendizagem
de máquina para analisar vastos conjuntos de dados médicos em busca de padrões
e relações relevantes.
Num contexto em que a medicina não se enquadra perfeitamente como uma ciência
exata, a substituição do aspecto subjetivo da experiência clínica na tomada de
decisões é um desafio específico. O receio, especialmente entre os profissionais de
saúde, de que a IA eventualmente possa substituir a figura do médico na atenção à
saúde, é abordado de maneira crítica. O texto destaca que, até o momento, nenhum
software foi capaz de reproduzir o discernimento humano necessário na prática
médica.
A pesquisa justifica-se pela necessidade clara de compreender, de maneira
transparente e abrangente, os conceitos e aplicações da IA quando aplicados aos
procedimentos e cuidados médicos. A tecnologia atualmente se encontra dividida
em três categorias distintas: Inteligência Assistida, Inteligência Aumentada e
Inteligência Autônoma, formando a IAAA (Society 2016).
A Inteligência Assistida destaca o papel central do ser humano na automação,
garantindo seus direitos de tomada de decisões enquanto a IA executa tarefas em
seu nome. A ampla acessibilidade da IA potencializa atividades já realizadas por
pessoas e organizações, como ilustradas pelo uso de robôs industriais em diversas
fábricas.
 8

A Inteligência Aumentada refere-se a um sistema computacional que apoia e

complementa o pensamento humano, sem sugerir que a tecnologia venha a
substituir a força de trabalho e a interação humana. Neste contexto, é plausível ver a
IA auxiliando médicos na compreensão de dados médicos e informações dos
pacientes, cidadãos receberam respostas sobre seguros, impostos e programas
sociais, e empresas financeiras tomando decisões mais informadas.
A categoria de Inteligência Autônoma apresenta um novo paradigma, consistindo no
desenvolvimento de máquinas que atuam por conta própria. A pesquisa confirma
que, à medida que a confiança nas capacidades de inteligência artificial aumenta,
surgem campos nos quais a máquina possui autonomia de escolha.
A relevância social e econômica dessa pesquisa é incontestável. A Inteligência
Assistida pode potencializar a mão de obra médica, otimizando o ritmo dos
profissionais de saúde e oferecendo uma atenção mais personalizada aos
pacientes. A Inteligência Aumentada promete capacitar médicos na compreensão
eficaz de dados médicos, melhorando a qualidade dos cuidados prestados. A
discussão sobre a Inteligência Autônoma destaca questões éticas cruciais,
apresentando o terreno para a tomada de decisões autônomas por parte da
máquina.
Por fim, este projeto de pesquisa não enfrenta apenas os desafios atuais, mas
também contribui significativamente para o conhecimento científico, fornecendo
insights específicos sobre como superar obstáculos específicos na aplicação da
aprendizagem de máquina na medicina. Além disso, ele se propõe a ser um bússola,
orientando o caminho para uma integração ética e eficaz da Learning Machine na
prática médica, onde a tecnologia não substitui, mas potencializa o papel
fundamental do profissional de saúde.

5. HIPÓTESES
Sobre as hipóteses, foram pensadas algumas que conduziram a pesquisa e que
podem vir a levar resultados aos problemas de pesquisas propostos.

Hipótese 1:
 9

● Hipótese Nula (H0): A experiência clínica de profissionais de saúde não

impacta diretamente na precocidade da geração de hipóteses diagnósticas, seja por
meio da lembrança de casos semelhantes ou do conhecimento adquirido ao longo
dos anos de prática.

● Hipótese Alternativa (H1):A experiência clínica de profissionais de saúde

impacta diretamente na precocidade da geração de hipóteses diagnósticas, seja por
meio da lembrança de casos semelhantes ou do conhecimento adquirido ao longo
dos anos de prática.

Hipótese 2:

● Hipótese Nula (H0):. Com o avanço da IA na medicina tem a possibilidade de

que a Machine Learning substitua a figura do médico na atenção da saúde para
tomada de diagnósticos.

● Hipótese Alternativa (H1): Com o avanço da IA na medicina não há a

possibilidade de que a Machine Learning substitua a figura do médico na atenção da
saúde para tomada de diagnósticos.

Hipótese 3:

● Hipótese Nula (H0): A experiência clínica não desempenha um papel crucial

na identificação de padrões (reconhecimento de padrões) e critérios diagnósticos,
permitindo uma determinação mais precisa de diagnósticos por meio da combinação
de sintomas, sinais e resultados de exames.

● Hipótese Alternativa (H1):A experiência clínica desempenha um papel

crucial na identificação de padrões (reconhecimento de padrões) e critérios
diagnósticos, permitindo uma determinação mais precisa de diagnósticos por meio
da combinação de sintomas, sinais e resultados de exames.

6. OBJETIVO GERAL/ESPECÍFICOS.
 10

6.1. Objetivo Geral:

Investigar os impactos e desafios decorrentes da utilização de técnicas de Machine

Learning na prática médica. Com isso, busca-se compreender como implementar
essas tecnologias influenciando as tomadas de decisões clínicas, examinando sua
eficácia no aprimoramento de diagnósticos, personalização de tratamentos e gestão
de informações médicas. E também ao analisar criticamente o impacto do Machine
Learning na medicina, oferecer insights valiosos que contribuem para o
desenvolvimento ético e eficaz dessas ferramentas no cenário da saúde.

6.2. Objetivo Específicos:

● Avaliar a eficácia das técnicas de Machine Learning na melhoria da precisão

diagnóstica.
● Investigar como as técnicas de Machine Learning impactam a precisão
diagnóstica em diferentes áreas médicas, analisando estudos e casos específicos.
● Analisar os desafios éticos associados à implementação de Machine Learning
na prática clínica.
● Propor estratégias para integrar de forma eficiente as tecnologias de Machine
Learning nas rotinas médicas.
● Avaliar como as tecnologias de Machine Learning podem ser integradas de
forma eficiente às práticas médicas tradicionais, considerando a funcionalidade e a
colaboração entre profissionais de saúde e sistemas automatizados.

7. METODOLOGIA

Para essa pesquisa, pretende-se fazer um estudo exploratório-descritivo que

consiste em uma busca na internet, usando a ferramenta Google, sobre os temas
relacionados com a pesquisa como por exemplo “Learning machine na medicina”,
“Sistemas de Informação na Tomada de Decisão Médica”, “Otimizando Dados de
Saúde com IA”, “Integração de aprendizado de máquina com práticas clínicas”,
“Desafios na implementação de ML em fluxos de trabalho clínicos”.
 11

Estipulou-se em dividir a pesquisa em duas fases: Revisão bibliográfica e Análise de

Casos Práticos.
1. Revisão Bibliográfica:
○ Realizar uma revisão abrangente de estudos, artigos científicos e literatura
especializada em Machine Learning na medicina, provenientes de fontes confiáveis,
como o portal de periódicos da CAPES.
○ Analisar criticamente os resultados desses estudos para compreender as
tendências, avanços e desafios identificados pela comunidade científica.
2. Análise de Casos Práticos:
○ Investigar casos práticos reais de implementação de técnicas de Machine
Learning em ambientes clínicos.
○ Coletar informações sobre experiências concretas, avaliando os sucessos,
desafios e lições aprendidas durante a integração dessas tecnologias na prática
médica.

Com essa abordagem integrada, combinando revisão bibliográfica e análise de

casos práticos que permitirá uma compreensão mais holística dos impactos e
desafios do uso de Machine Learning na tomada de decisões médicas. Além de a
triangulação dessas fontes de dados enriquecerá a análise, fornecendo insights
robustos e contribuindo para uma visão mais completa do cenário.
 12

REFERÊNCIAS

Elstein AS, Shulman LS. Sprafka SA. Medical Problem Solving: an analysis of
clinical reasoning. Cambridge (MA):Harvard University Press; 1978. Disponível em:
<https://journals.sagepub.com/doi/10.1177/016224397800300337/>. Acesso em: 27
de Nov. de 2023.

Rimoldi HJA. Diagnosing the Diagnostic Process. Medical Education.1988.

Disponível em:
<https://asmepublications.onlinelibrary.wiley.com/doi/abs/10.1111/j.1365-2923.1988.t
b00753.x/>. Acesso em: 28 de Nov. de 2023.

Ribeiro AL, Oliveira GMM. Toward a Patient-Centered, Data-Driven Cardiology.

Disponivel
em:<https://www.researchgate.net/publication/332514842_Toward_a_Patient-Center
ed_Data-Driven_Cardiology/>. Acesso em: 24 de Nov. de 2023.

Inteligência Artificial e Medicina. Disponível em:

<https://www.scielo.br/j/rbem/a/f3kqKJjVQJxB4985fDMVb8b/>. Acesso em: 23 de
Nov. de 2023.
Dissecando o preconceito racial em um algoritmo usado para gerenciar a
saúde das populações. Disponível em: <Science 2019 Oct 25;366(6464):447-453>.
Acesso em: 23 de Nov. de 2023.
 13

Inteligência Artificial e Medicina Artificial Intelligence and Medicine. Disponível

em:https://www.scielo.br/j/rbem/a/f3kqKJjVQJxB4985fDMVb8b/?format=pdf&lang=pt
>. Acesso em: 23 de Nov. de 2023.