Como combater o COVID-19 com machine learning – Parte 2
Não dá para negar: a tecnologia, a ciência e a medicina precisam andar juntas.
Atualmente, com a pandemia de COVID-19, essa união se faz ainda mais importante.
Cientistas de todo o mundo estão coletando e compartilhando abertamente
informações sobre o vírus e pensando, juntos, em soluções para o problema.
O caminho pode ser o uso de machine learning contra o COVID-19! Confira a
segunda parte do artigo Como combater o COVID-19 com machine learning e
descubra como a inteligência artificial está nos ajudando nessa luta:
1. Triagem de pacientes e diagnóstico de COVID-19
Quando ocorre uma nova pandemia, diagnosticar indivíduos é um desafio. Testar em
larga escala é difícil e é provável que os testes sejam caros, principalmente no
começo. Qualquer pessoa que tenha algum sintoma de COVID-19, provavelmente,
ficará muito preocupada com a contração da doença, mesmo que os mesmos
sintomas sejam indicativos de muitas outras doenças potencialmente mais leves.
Em vez de colher amostras médicas de cada paciente e aguardar o retorno de
relatórios de laboratório caros e lentos, um teste mais simples, mais rápido e mais
barato (mesmo que seja menos preciso) seria útil na coleta de dados em uma escala
maior. Esses dados podem ser usados para pesquisas adicionais, bem como para
triagem de pacientes.
Quando se trata de usar o machine learning contra o COVID-19 (para o diagnóstico),
as áreas de pesquisa promissoras incluem:
– uso de exames de rosto para identificar sintomas, como se o paciente está
com febre ou não;
– uso de tecnologia vestível, como relógios inteligentes, para procurar padrões
reveladores na frequência cardíaca em repouso de um paciente;
– uso de chatbots com machine learning para rastrear pacientes com base em
sintomas relatados.
1.1 Triagem de pacientes usando exames de rosto
Embora haja poucos detalhes precisos disponíveis, um hospital na Flórida foi um dos
primeiros a atrair atenção ao usar o machine learning contra o COVID-19.
Ao entrar no hospital, os pacientes recebem um exame facial automático, que usa
machine learning para detectar se está com febre ou não. Por si só, esses dados
provavelmente não são extremamente úteis, mas ao lidar com centenas ou até
milhares de pacientes, todos os dados são importantes para ajudar a triá-los de
maneira eficaz.
1.2 Uso da tecnologia vestível para rastrear a frequência cardíaca em repouso
A Apple ganhou as manchetes quando usou o Apple Watch para detectar problemas
cardíacos comuns com a ajuda do machine learning.
Mas os padrões na frequência cardíaca em repouso também podem ser indicativos
de problemas mais específicos. Algumas pesquisas preliminares usando dados do
Fitbit indicam que alterações na frequência cardíaca em repouso podem ajudar a
identificar pacientes com "doença semelhante à influenza".
Obviamente, isso ainda está longe de diagnosticar o COVID-19, mas a pesquisa ainda
está em fase inicial. Da mesma forma, a pesquisa da OURA, um anel de rastreamento
de atividades e sono, usa temperatura corporal, frequência cardíaca e frequência
respiratória para tentar identificar padrões de início, progressão e recuperação do
COVID-19. Os dois estudos ainda estão em andamento, portanto, ainda não há
resultados disponíveis.
1.3 Uso de chatbots para triagem e diagnóstico
Se os médicos gastam muito tempo respondendo às perguntas básicas dos pacientes
preocupados, eles têm menos tempo para se concentrar no tratamento de pacientes
que precisam mais deles. Muitos países, portanto, desenvolveram sistemas de
autotriagem, nos quais os pacientes preenchem um questionário sobre seus
sintomas e histórico médico antes de serem aconselhados a ficar em casa, chamar
um médico ou visitar um hospital.
Muitas empresas, incluindo a Microsoft, lançaram chatbots que ajudam as pessoas a
identificarem seu melhor curso de ação, dados seus sintomas específicos. Com base
nesses exemplos, podemos ver que o machine learning é atualmente mais adequado
para ajudar a rastrear pacientes com COVID-19 do que diagnosticá-los de maneira
confiável.
2. Acelerando o desenvolvimento de medicamentos
Em resposta a uma nova pandemia, é essencial criar uma vacina, um método de
diagnóstico confiável e um medicamento para tratamento rapidamente. Os métodos
atuais envolvem muitas tentativas e erros e o processo leva tempo. Pode levar
meses para isolar um candidato viável à vacina.
O machine learning pode acelerar esse processo significativamente sem sacrificar o
controle de qualidade. Quando os pesquisadores tentavam encontrar inibidores de
pequenas moléculas do vírus Ebola, eles descobriram que o treinamento de modelos
Bayesian ML com o teste de entrada de pseudótipo viral e os dados do teste de
replicação do vírus Ebola ajudaram a acelerar o processo de pontuação. A pontuação
envolve atribuir a cada molécula um valor com base na probabilidade de ajudar.
Esse processo acelerado identificou rapidamente três possíveis moléculas para teste.
Da mesma forma, os pesquisadores que trabalham no H7N9 descobriram que a
triagem e a pontuação virtual assistida por ML levaram a melhorias substanciais na
precisão das pontuações. O uso do algoritmo de floresta aleatória (um algoritmo de
classificação composto de muitas árvores de decisão) forneceu os melhores
resultados com o H7N9.
Em situações como a pandemia do COVID-19, em que um vírus está se espalhando
rapidamente, obter pontuações mais precisas mais rápido é fundamental para
acelerar o desenvolvimento de medicamentos.
3. Identificação de medicamentos existentes eficazes
As empresas gastam muito tempo e dinheiro obtendo novos medicamentos
aprovados. Elas precisam ter a certeza de que esses medicamentos não terão efeitos
colaterais prejudiciais inesperados. Esse processo nos protege, mas também nos
atrasa durante uma pandemia – exatamente quando precisamos de uma resposta
mais rápida. Uma alternativa é redirecionar medicamentos que já foram testados e
usados para tratar outras doenças.
Mas existem milhares de candidatos a medicamentos, e não temos tempo para
testá-los todos –, então, como encontramos o correto?
O uso de machine learning contra o COVID-19 pode nos ajudar a priorizar os
candidatos a medicamentos muito mais rapidamente, de maneira automática:
– com a construção de gráficos de conhecimento;
– e prevendo interações entre drogas e proteínas virais.
3.1 Construção de gráficos de conhecimento biomédico
Muito do que sabemos sobre drogas, vírus e seus mecanismos está espalhado por
um grande número de artigos de pesquisa. Podemos usar o processamento de
linguagem natural (machine learning aplicado ao texto) para ler e interpretar um
grande número de artigos científicos e criar gráficos de conhecimento biomédico,
que são redes estruturadas que conectam significativamente entidades diferentes,
como drogas e proteínas.
Especificamente, os cientistas personalizaram um gráfico de conhecimento
construído em ML e o aplicaram ao COVID-19 para encontrar uma conexão entre o
vírus e o potencial candidato a medicamento, Baricitinib.
O COVID-19 provavelmente usa a proteína ACE2 para entrar em nossas células
pulmonares. Esse processo – conhecido como endocitose – é regulado pelo AAK1
(outra proteína).
O Baricitinibe inibe o AAK1 e também pode potencialmente impedir a entrada do
COVID-19 em nossas células pulmonares.
3.2 Prevendo interações medicamentosas-alvo
Os cientistas também estão usando o machine learning contra o COVID-19 para
identificar candidatos a medicamentos ao prever interações medicamentosas-alvo
(DTIs) entre as proteínas do vírus e os medicamentos existentes.
Essas interações são altamente complexas, portanto, os pesquisadores escolhem
principalmente redes neurais para identificá-las (1, 2, 3). Essas redes são treinadas
em grandes bancos de dados para gerar listas de candidatos a medicamentos
específicos com maior probabilidade de se ligarem e inibirem as proteínas do vírus.
Notavelmente, um grupo de pesquisa desenvolveu uma estrutura de ponta a ponta
para o uso de redes neurais para processar gráficos de conhecimento, como o usado
para encontrar o Baricitinibe.
O modelo é treinado para interpretar o gráfico de conhecimento e pode ser usado
para prever com precisão as DTIs. Usando esse modelo de aprendizado de topologia
gráfica, os pesquisadores já encontraram um candidato promissor a medicamentos,
atualmente em estudo clínico.
Crédito: Data Revenue
Veja mais:
Como combater o COVID-19 com o machine learning – Parte 1
