A EP, embolia pulmonar, representa a 3ª causa de morte cardiovascular, levando a uso generalizado da angiografia pulmonar por TC e, apesar da prevalência, a acuidade diagnóstica é variável entre radiologistas e com o surgimento da IA através de redes neurais convolucionais e reconstrução de aprendizagem profunda, oferece caminho para melhorar detecção da PE. A sensibilidade IA superior e valores preditivos negativos reduz risco de diagnósticos perdidos, além de implementação da priorização de listas de trabalho em IA reduzindo tempos de detecção e notificação, simplificando fluxos de trabalho radiológicos, no entanto, é crucial sublinhar que IA atua como complemento e, não como substituto aos radiologistas, em sinergia com a experiência humana e, à medida que a integração IA avança, tem potencial de melhorar precisão e eficiência do diagnóstico na detecção da embolia pulmonar ao mesmo tempo que mantém papel do julgamento humano na tomada de decisões.
Como causa comum de morte cardiovascular e significativa de mortalidade hospitalar, embolia pulmonar se relaciona a incidência de tromboembolismo venoso, incluindo aí, embolia pulmonar e trombose venosa profunda, notada em 100 a 150 por 100 mil pessoas, sendo que a investigação padrão ouro usada à auxiliar na detecção de embolia pulmonar é a angio tomografia pulmonar com sensibilidade de 83% e especificidade de 96%, realizada na maioria das emergência e hospitais no mundo. Estudos realizados para avaliar precisão diagnóstica de EP e a questão do viés inter observador no diagnóstico de EP, permaneceu em discussão por anos, com avaliação da variabilidade no diagnóstico EP entre radiologistas em diferentes níveis de experiência mostrando que 4 em 5 radiologistas com experiência de 2 anos ou mais não viram êmbolos periféricos em 4-6/290 pacientes, enquanto taxa de embolia incidental não observada, varia, chegando a 44,8%, no entanto, a taxa de embolia pulmonar não detectada caiu à 2,6% com assistência IA. Estudos demonstraram que a falha diagnóstica de embolia pulmonar, posteriormente detectada por IA na análise retrospectiva é de 38% e, historicamente, taxas de mortalidade e recorrência de embolias pulmonares não tratadas foram estimadas entre 26-30%, com declínio nas taxas em 5% em ambientes ambulatoriais, sendo que a jornada IA em imagens médicas iniciou na década de 1960 prejudicada por restrições tecnológicas devido à quantidade limitada de dados digitais disponíveis na época para treinar algoritmos e à falta de hardware computacional poderoso. A integração IA na radiologia, marcada pela introdução de redes neurais artificiais e software de detecção auxiliada por computador, na década de 1980, permite avanços como uso rotineiro em mamografia melhorando detecção de lesões com pequenos aumentos nas taxas de recuperação com os atuais sistemas IA utilizados em tomografias computadorizadas e interpretações de ressonância magnética começando ganhar força no mundo da radiologia ao passo que a abordagem de aprendizagem profunda em CNN, rede neural convolucional, é ferramenta IA mais popular para reduzir ruído da imagem, desenvolver imagens de modalidade de contraste à segmentação de imagens, harmonização e síntese da modalidade ausente popularmente chamada de DLR, reconstrução de aprendizagem profunda, enquanto algoritmos para aprendizagem profunda incluem RF, florestas aleatórias e SVM, máquinas de vetores de suporte para DLR e pós-processamento de imagens. Estudo realizado por Cheik et al, um software que utiliza IA para interpretação de imagens demonstrou capacidade de identificar 219 casos suspeitos de embolias pulmonares, EP, dos quais 176 foram confirmados como EP verdadeiros, notavelmente, 19 desses EPs verdadeiros foram inicialmente perdidos pelos radiologistas, sendo que o sistema IA exibiu maior sensibilidade e valores preditivos negativos, VPNs, de 92,6% e 98,6%, respectivamente, superando radiologistas que alcançaram sensibilidade de 90% e VPN de 98,1%, por outro lado, radiologistas se destacaram em termos de especificidade e valor preditivo positivo, VPP, com especificidade de 99,1% e VPP de 95% comparada a especificidade de 95,8% e VPP de 80,4% IA, resultados que destacam potencial IA para melhorar detecção EP na identificação de verdadeiros positivos enquanto radiologistas se destacam na redução de falsos positivos. A implementação da lista de trabalho IA resultou em redução do tempo médio de resposta, TAT, de 7.772 minutos para exames que mostram evidências de embolia pulmonar, EIP, para 148 minutos, considerando que a radiologia desempenhou papel pioneiro na introdução IA na medicina e, com base em observações semelhantes às mencionadas acima, o estudo considera razoável incorporação IA no currículo de radiologia como uma realidade para aumentar produtividade, nessa altura, presume que a integração IA em vários domínios médicos e não médicos registra progressos significativos. Apesar do papel crescente da IA, radiologistas continuam ser responsáveis finais pelo atendimento ao paciente, necessitando aquisição de novas habilidades para navegar no cenário em evolução IA, quadro ético que procura harmonizar o progresso tecnológico com valores centrados no ser humano enfatizando abordagem justa e responsável para integrar IA nas práticas radiológicas, daí, avaliação que a incorporação IA na detecção de embolia pulmonar serve à propósito duplo, primeiro, funciona como rede de segurança crucial, diminuindo probabilidade de não detectar embolias pulmonares e, em segundo lugar, ajuda radiologistas agilizar processo de notificação, sendo imperativo sublinhar que IA não substitui papel do radiologista, uma vez que julgamento e experiência humana continuam indispensáveis à tomada de decisões críticas, particularmente à luz da variabilidade biológica inerente ao corpo humano.
Moral da Nota: a IA transforma rede energética, desde previsão dos tempos de carregamento dos veículos elétricos à localização de áreas de alto risco de incêndios florestais e, à medida que são disponibilizadas mais fontes de energia renováveis, a rede elétrica torna-se mais complexa. O clima cada vez mais imprevisível aumenta o desafio de equilibrar procura e oferta, assim, operadores de rede recorrem à IA para gerir o caos enquanto a capacidade IA de aprender com grandes quantidades de dados e responder situações complexas torna-a adequada à tarefa de manter a estabilidade da rede e, cada vez mais empresas de software introduzem produtos IA no setor da energia. O Departamento de Energia dos EUA reconheceu esta tendência, concedendo US$ 3 bilhões de dólares em subvenções a projetos de "redes inteligentes", incluindo iniciativas relacionadas a IA, pela possibilidade de uma rede automatizada onde, em teoria, não seriam necessários humanos para decisões cotidianas. Por fim, a promessa reside no potencial IA ajudar humanos e fornecer informações em tempo real para melhor gerenciamento de rede, com tomada de decisão melhor e mais rápida, abordagem adaptada a cada residência, funcionamento de veículos elétricos graças à rede e detecção de desastres antes que ocorram.