INTELIGÊNCIA ARTIFICIAL EM PESQUISA CLÍNICA: REVISÃO SISTEMÁTICA DE LITERATURA
DOI:
https://doi.org/10.56238/arev7n11-332Palavras-chave:
Inteligência Artificial, Pesquisa Clínica, Machine Learning, Ensaios Clínicos, Saúde ColetivaResumo
A incorporação da Inteligência Artificial (IA) em pesquisas clínicas tem crescido de forma exponencial nas últimas décadas, acompanhando os avanços das ciências da computação e da saúde. Esta revisão sistemática de literatura buscou mapear as principais aplicações, potencialidades e desafios do uso da IA em diferentes etapas da pesquisa clínica, incluindo descoberta de novos fármacos, seleção de pacientes elegíveis, desenho de ensaios clínicos e monitoramento em tempo real de dados. A metodologia seguiu as recomendações da Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), com busca em bases como PubMed, SciELO e Web of Science, considerando publicações entre 2020 e 2024. Foram selecionados 28 estudos que atenderam aos critérios de inclusão. Os resultados indicaram que a IA, sobretudo por meio de técnicas de machine learning e deep learning, tem contribuído para reduzir o tempo de desenvolvimento de medicamentos, melhorar a acurácia na triagem de voluntários e aprimorar a segurança dos pacientes. Além disso, observou-se um crescente uso de algoritmos para análise preditiva de desfechos clínicos, contribuindo para decisões mais rápidas e embasadas. Conclui-se que, embora a IA não substitua o rigor metodológico dos ensaios clínicos, ela se configura como ferramenta complementar e estratégica para acelerar e qualificar a produção de conhecimento em saúde.
Downloads
Referências
ASKIN, S; DENIS BURKHALTER; C. G; DAKROUNI, S. E. Artificial Intelligence Applied to clinical trials: opportunities and regulatory considerations. Health and Technology, 2023. DOI: https://doi.org/10.1007/s12553-023-00738-2
BARDIN, L. Análise de conteúdo. São Paulo: Edições 70, 2011.
CHUSTECKI, M. Benefits and Risks of AI in Health Care: Narrative Review. Interactive Journal of Medical Research, v. 13, n. 1, 2024. DOI: https://doi.org/10.2196/53616
CORTIAL, L.; MONTERO, V.; TOURLET, S.; et al. Artificial intelligence in drug repurposing for rare diseases: a mini-review. Frontiers in Medicine, v. 11, p. 1404338, 2024. DOI: https://doi.org/10.3389/fmed.2024.1404338
CRUZ RIVERA, S; LIU, X; CHAN, A. W, et al. SPIRIT-AI extension: guidelines for clinical trial protocols for interventions involving artificial intelligence. Nature Medicine, v. 26, p. 1351-1363, 2020. DOI: https://doi.org/10.1038/s41591-020-1037-7
DAYAN, I; ROTH, H. R; ZHONG, A. et al. Federated learning for predicting clinical outcomes in patients with COVID-19. Nature Medicine, v. 27, n. 10, p. 1735-1743, 2021. DOI: https://doi.org/10.1038/s41591-021-01506-3
GHASSEMI, M.; OAKDEN-RAYNER, L.; BEAM, A. L. The false hope of current approaches to explainable AI in health care. The Lancet Digital Health, v. 3, n. 11, p. e745-e750, 2021. DOI: https://doi.org/10.1016/S2589-7500(21)00208-9
GHOSH, S; ABUSHUKAIR, H. M; GANESAN, A; et al.Aproveitando a inteligência artificial explicável para correspondência entre pacientes e ensaios clínicos: um estudo piloto de prova de conceito usando ensaios oncológicos de fase I. PLoS ONE, v, 19, n, 10, p. e0311510, 2024. DOI: https://doi.org/10.1371/journal.pone.0311510
HAN, R; ACOSTA, J. N; SHAKERI, Z; et al. Bias, generalizability, and performance of FDA-cleared AI/ML medical devices: analysis of predicate networks. The Lancet Digital Health, v. 6, p. e269-e279, 2024. DOI: https://doi.org/10.1016/S2589-7500(24)00047-5
HE, Q; XIAO, B; TAN, Y, et al. Integrated multicenter deep-learning system for prognostic risk prediction in bladder cancer from histopathology. British Journal of Cancer, v. 130, p. 2286-2296, 2024. DOI: 10.1038/s41698-024-00731-6.
HU, Q; CHEN Y; ZOU D, et al. Predição de eventos adversos a medicamentos usando aprendizado de máquina com base em registros eletrônicos de saúde: uma revisão sistemática e meta-análise. Front. Pharmacol. 15:1497397, 2024. DOI: 10.3389/fphar.2024.1497397
JUMPER, J; EVANS, R; PRITZEL, A. et al. Predição altamente precisa da estrutura de proteínas com AlphaFold. Nature, v. 596, p. 583–589, 2021. DOI: https://doi.org/10.1038/s41586-021-03819-2
KATHER, J. N; PEARSON, A. T; HALAMA, N. et al. O aprendizado profundo pode prever a instabilidade de microssatélites diretamente a partir da histologia no câncer gastrointestinal. Nat Med 25, 1054–1056 (2019). https://doi.org/10.1038/s41591-019-0462-y
LEE, K; MAI, Y; LIU, Z; RAJA, K, et al. CriteriaMapper: automated identification of EHR patients meeting clinical trial eligibility. Scientific Reports, v. 14, p. 15762, 2024. DOI: 10.1038/s41598-024-77447-x.
LIU, X; CRUZ RIVERA, S; MOHER, D, et al. Reporting guidelines for clinical trials evaluating artificial intelligence interventions: CONSORT-AI and SPIRIT-AI. Nature Medicine, v. 26, p. 1364-1374, 2020. DOI: https://doi.org/10.1038/s41591-020-1034-x
LU, X; YANG, C; LIANG, L, et al. Artificial intelligence for optimizing recruitment and retention in clinical trials: a scoping review. Journal of the American Medical Informatics Association, v. 31, n. 11, p. 2749-2759, 2024. DOI: https://doi.org/10.1093/jamia/ocae243
LIN D, XIONG J, LIU C, et al. Application of Comprehensive Artificial intelligence Retinal Expert (CARE) system: a national real-world evidence study. Lancet Digit Health, v. 3, n. 8, p. e486-e495, 2021. DOI: 10.1016/S2589-7500(21)00086-8.
MURPHY, K; DI RUGGIERO, E; UPSHUR, R, et al. Artificial intelligence for good health: a scoping review of the ethics literature. BMC Medical Ethics, v. 22, p. 14, 2021. DOI: https://doi.org/10.1186/s12910-021-00577-8
PLANA, D; SHUNG, D. L; GRIMSHAW, A. A, S et al. Randomized clinical trials evaluating artificial intelligence–enabled interventions in health care: a systematic review. JAMA Network Open, v. 5, n. 9, e2233946, 2022. DOI: https://doi.org/10.1001/jamanetworkopen.2022.33946
REDDY, S. Explainability and artificial intelligence in medicine. The Lancet Digital Health, v. 4, n. 6, p. e407-e408, 2022. DOI: https://doi.org/10.1016/S2589-7500(22)00029-2
SCHMIDT, J. et al. Mapping the regulatory landscape for AI in healthcare across the EU and UK. npj Digital Medicine, v. 7, p. 104, 2024. DOI: https://doi.org/10.1038/s41746-024-01221-6
SMUCK, M; ODONKOR, C. A; WILT, J. K et al. The emerging clinical role of wearables: factors for successful implementation in healthcare. npj Digital Medicine, v. 4, p. 45, 2021. DOI: https://doi.org/10.1038/s41746-021-00418-3
STOKES, J. M; YANG, K; SWANSON, K, et al. A deep learning approach to antibiotic discovery. Cell, v. 180, n. 4, p. 688-702.e13, 2020. DOI: https://doi.org/10.1016/j.cell.2020.01.021
TAN, S. Y.; SUMNER, J.; WANG, Y.; YIP, A. W. J. Impacts of remote patient monitoring during care transitions: a systematic review. npj Digital Medicine, v. 7, p. 192, 2024. DOI: https://doi.org/10.1038/s41746-024-01182-w
VARADI, M; ANYANGO, S; DESHPANDE M; NAIR, S, et al. AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space. Nucleic Acids Research, v. 50, n. D1, p. D439-D444, 2022. DOI: https://doi.org/10.1093/nar/gkac106
VASEY, B; NAGENDRAN, M; CAMPBELL, B. et al. DECIDE-AI: reporting guideline for the early-stage clinical evaluation of decision support systems driven by AI. Nature Medicine, v. 28, p. 924-933, 2022. DOI: https://doi.org/10.1038/s41591-022-01772-9
