Um novo estudo realizado por pesquisadores do MIT e do Massachusetts General Hospital (MGH) sugere que pode estar se aproximando o dia em que sistemas avana§ados de inteligaªncia artificial podera£o ajudar anestesiologistas na sala de cirurgia.

Em uma edição especial de Inteligaªncia Artificial em Medicina , a equipe de neurocientistas, engenheiros e médicos demonstrou um algoritmo de aprendizado de ma¡quina para automatizar continuamente a dosagem do medicamento anestanãsico propofol. Usando um aplicativo de aprendizado de reforço profundo, no qual as redes neurais do software aprenderam simultaneamente como suas escolhas de dosagem mantem a inconsciência e como criticar a eficácia de suas próprias ações, o algoritmo superou o software mais tradicional em simulações de pacientes sofisticadas e baseadas em fisiologia. Tambanãm comparou de perto o desempenho de anestesiologistas reais ao mostrar o que faria para manter a inconsciência dados dados registrados de nove cirurgias reais.

Os avanços do algoritmo aumentam a viabilidade dos computadores manterem o paciente inconsciente sem mais drogas do que o necessa¡rio, liberando assim os anestesiologistas para todas as outras responsabilidades que eles tem na sala de cirurgia, incluindo garantir que os pacientes permanea§am ima³veis, não sintam dor, permanea§am fisiologicamente esta¡veis , e receber oxigaªnio adequado, dizem os coautores Gabe Schamberg e Marcus Badgeley.

“Pode-se pensar em nosso objetivo como sendo ana¡logo ao piloto automa¡tico de um avia£o, onde o capitão estãosempre na cabine prestando atenção”, diz Schamberg, ex-pa³s-doutorado do MIT e autor correspondente do estudo. “Os anestesiologistas precisam monitorar simultaneamente vários aspectos do estado fisiola³gico de um paciente e, portanto, faz sentido automatizar os aspectos do atendimento ao paciente que entendemos bem.”

O autor saªnior Emery N. Brown, neurocientista do Picower Institute for Learning and Memory e Institute for Medical Engineering and Science no MIT e anestesista do MGH, diz que o potencial do algoritmo para ajudar a otimizar a dosagem de medicamentos pode melhorar o atendimento ao paciente.

“Algoritmos como este permitem que os anestesiologistas mantenham uma vigila¢ncia mais cuidadosa e quase conta­nua sobre o paciente durante a anestesia geral”, diz Brown, Professor Edward Hood Taplin Neurociaªncia Computacional e Ciências da Saúde e Tecnologia do MIT.

A equipe de pesquisa projetou uma abordagem de aprendizado de ma¡quina que não apenas aprenderia como dosar propofol para manter a inconsciência do paciente, mas também como fazaª-lo de uma maneira que otimizasse a quantidade de droga administrada. Eles conseguiram isso dotando o software de duas redes neurais relacionadas: um “ator” com a responsabilidade de decidir quanta droga dosar a cada momento, e um “cra­tico” cujo trabalho era ajudar o ator a se comportar de uma maneira que maximizasse “recompensas” especificadas pelo programador. Por exemplo, os pesquisadores experimentaram treinar o algoritmo usando três recompensas diferentes: uma que penalizava apenas a overdose, uma que questionava o fornecimento de qualquer dose e uma que não impunha penalidades.

Em todos os casos, eles treinaram o algoritmo com simulações de pacientes que empregaram modelos avana§ados de farmacocinanãtica, ou a rapidez com que as doses de propofol atingem as regiaµes relevantes do cérebro após a administração das doses, e farmacodina¢mica, ou como a droga realmente altera a consciência quando atinge seu destino. Os na­veis de inconsciência dos pacientes, enquanto isso, foram refletidos na medida das ondas cerebrais, como podem ser em salas de cirurgia reais. Ao executar centenas de rodadas de simulação com uma variedade de valores para essas condições, tanto o ator quanto o crítico poderiam aprender a desempenhar seus papanãis para uma variedade de tipos de pacientes.

O sistema de recompensa mais eficaz acabou sendo a “penalização de dose”, em que o crítico questionava cada dose que o ator dava, constantemente repreendendo o ator para manter a dosagem ao ma­nimo necessa¡rio para manter a inconsciência. Sem qualquer penalidade de dosagem, o sistema a s vezes dosou demais e, com apenas uma penalidade de overdose, a s vezes deu muito pouco. O modelo de “penalização de dose” aprendeu mais rapidamente e produziu menos erros do que os outros modelos de valor e o software padrãotradicional, um controlador “derivativo integral proporcional”.

Depois de treinar e testar o algoritmo com simulações, Schamberg e Badgeley colocaram a versão de “penalização de dose” em um teste mais real, alimentando-o com dados de consciência do paciente registrados de casos reais na sala de cirurgia. O teste demonstrou os pontos fortes e os limites do algoritmo.

Durante a maioria dos testes, as escolhas de dosagem do algoritmo coincidiram com as dos anestesiologistas assistentes após a inconsciência ter sido induzida e antes que ela não fosse mais necessa¡ria. O algoritmo, no entanto, ajustou a dosagem a cada cinco segundos, enquanto os anestesiologistas (que todos tinham muitas outras coisas para fazer) normalmente o faziam apenas a cada 20-30 minutos, observa Badgeley.

Como os testes mostraram, o algoritmo não éotimizado para induzir a inconsciência em primeiro lugar, reconhecem os pesquisadores. O software também não sabe por conta própria quando a cirurgia termina, acrescentam, mas éuma questãosimples para o anestesiologista gerenciar esse processo.

Um dos desafios mais importantes que qualquer sistema de IA provavelmente continuara¡ enfrentando, diz Schamberg, ése os dados que estãosendo alimentados sobre a inconsciência do paciente são perfeitamente precisos. Outra área ativa de pesquisa no laboratório Brown no MIT e no MGH émelhorar a interpretação de fontes de dados, como sinais de ondas cerebrais, para melhorar a qualidade dos dados de monitoramento de pacientes sob anestesia.

Além de Schamberg, Badgeley e Brown, os outros autores do artigo são Benyamin Meschede-Krasa e Ohyoon Kwon.

A Fundação JPB e os Institutos Nacionais de Saúde financiaram o estudo.