INTELIGÊNCIA ARTIFICIAL NA INTERPRETAÇÃO DE HEMOGRAMAS
DOI:
https://doi.org/10.63330/aurumpub.034-002Palavras-chave:
Aprendizado de máquina, Diagnóstico laboratorial, Hemograma, Inteligência Artificial, Patologia clínicaResumo
A aplicação da inteligência artificial (IA) na interpretação de hemogramas representa um avanço significativo na prática laboratorial e clínica, ao permitir análises mais rápidas, precisas e padronizadas dos parâmetros hematológicos. O objetivo deste capítulo é discutir o papel da IA no apoio ao diagnóstico a partir do hemograma, destacando seus benefícios, limitações e perspectivas futuras. A metodologia adotada consiste em uma revisão narrativa da literatura científica, baseada em estudos de autores como Goodfellow et al., Esteva et al. e Topol, que investigam o uso de algoritmos de aprendizado de máquina e redes neurais na análise de dados biomédicos. Os resultados indicam que sistemas baseados em IA são capazes de identificar padrões hematológicos associados a anemias, infecções, leucemias e distúrbios inflamatórios com elevada sensibilidade e especificidade, além de reduzir erros humanos e o tempo de resposta laboratorial. Entretanto, ainda existem desafios relacionados à qualidade dos dados, à interpretabilidade dos algoritmos e à integração com os sistemas de saúde. Conclui-se que a inteligência artificial constitui uma ferramenta promissora para a interpretação de hemogramas, contribuindo para a tomada de decisão clínica, desde que utilizada de forma ética, validada e integrada ao conhecimento profissional.
Downloads
Referências
BENGIO, Yoshua; GOODFELLOW, Ian; COURVILLE, Aaron. Deep learning. Cambridge: MIT Press, 2016.
ESTEVA, Andre et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature, Londres, v. 542, n. 7639, p. 115–118, 2017.
FERRUCCI, David et al. Introduction to “This is Watson”. IBM Journal of Research and Development, v. 56, n. 3–4, p. 1–15, 2012.
GOLDSTEIN, Ira; BROWN, Daniel. Machine learning in clinical laboratory medicine. Clinical Chemistry, v. 65, n. 3, p. 365–375, 2019.
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning. Cambridge: MIT Press, 2016.
HINTON, Geoffrey E.; OSINDERO, Simon; TEH, Yee-Whye. A fast learning algorithm for deep belief nets. Neural Computation, v. 18, n. 7, p. 1527–1554, 2006.
KOHLI, Marc D. et al. Artificial intelligence in radiology: what is it, how does it work, and what does it mean for the future? Journal of the American College of Radiology, v. 14, n. 7, p. 879–885, 2017.
LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Fundamentos de metodologia científica. 8. ed. São Paulo: Atlas, 2017.
LITJENS, Geert et al. A survey on deep learning in medical image analysis. Medical Image Analysis, v. 42, p. 60–88, 2017.
MIOT, Hélio Amante. Análise de dados em pesquisas clínicas e experimentais. Jornal Vascular Brasileiro, v. 10, n. 4, p. 275–278, 2011.
RAJPUROHIT, Suraj; JAIN, Shweta. Artificial intelligence in hematology. Journal of Hematology, v. 8, n. 2, p. 45–52, 2019.
RIBEIRO, Marco Túlio; SINGH, Sameer; GUESTRIN, Carlos. “Why should I trust you?”: Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016. p. 1135–1144.
TOPOL, Eric J. Deep medicine: how artificial intelligence can make healthcare human again. New York: Basic Books, 2019.
Downloads
Publicado
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
