Arq Bras Cardiol abc Arquivos Brasileiros de Cardiologia Arq. Bras. Cardiol. 0066-782X 1678-4170 Sociedade Brasileira de Cardiologia - SBC yTsGBgGXV4RYGkTjLZm7YRL S0066-782X2019000400371 10.5935/abc.20190069 Editorial Toward a Patient-Centered, Data-Driven Cardiology 0000-0002-2740-0042 Ribeiro Antonio Luiz 1 0000-0002-0737-6188 Oliveira Gláucia Maria Moraes de 2 Universidade Federal de Minas Gerais Belo Horizonte MG Brazil Universidade Federal de Minas Gerais, Belo Horizonte, MG - Brazil Universidade Federal do Rio de Janeiro Rio de Janeiro RJ Brazil Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ - Brazil Mailing Address: Gláucia Maria Moraes de Oliveira, Universidade Federal do Rio de Janeiro - R. Prof. Rodolpho P. Rocco, 255 - 8°. Andar - Sala 6, UFRJ. Postal Code 21941-913, Cidade Universitária, RJ - Brazil. E-mail: glauciam@cardiol.br, glauciamoraesoliveira@gmail.com 15 04 2019 04 2019 112 4 371 373 This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited Keywords Cardiology Clinical Decision - Making Patient Centered Care Evidence-Based Medicine/methods Access Health Technologies Artificial Intelligence Diagnostic Equipment Digital Machine Learning/trends Health Manager Physician Patient Relations

Beginning in the 1970s and 1980s, the emergence of randomized clinical trials and studies with large cohorts, associated with the development of the methodology for systematic reviews and meta-analyses, triggered a revolution in the way of thinking and performing healthcare practice. Evidence-based medicine (EBM), defined as the integration of the best research evidence with clinical experience and patient values,1 has become a new paradigm, orienting medical education and specialized publications. One of the principles of EBM was precisely the primacy of information obtained from randomized clinical trials and meta-analyses, which were placed at the top of an evidence hierarchy, valuing quantitative results more than clinical experience and expert opinion. Indeed, it has always been challenging for EBM to integrate empirical evidence with other types of medical knowledge, such as clinical expertise and pathophysiological rationale, or even with the preferences of individual patients.2

The use of EBM in clinical practice also runs into the difficulty of finding robust evidence for all subgroups of clinical situations found in the real world, "gray areas" in which no reliable evidence can be obtained from the scientific literature to guide the physician in caring for his patient. Randomized clinical trials are expensive and generally require large study samples and long-term follow-up. There are several situations without evidence, or situations in which the evidence is inconsistent or of poor quality.3

In the last two decades, the use of digital technology has invaded daily life worldwide and radically changed the way people live and relate, with a direct impact on healthcare practice. Public and private information systems and administrative record systems in healthcare practice have become ubiquitous and increasingly complex and complete, storing information ranging from diseases of compulsory notification to reasons for hospitalization and cause of death.

Diagnostic equipment has become digital, and electronic medical records began to accumulate the patients’ clinical information, prescribed medications, and laboratory tests. Smartphones and digital devices began tracking physical activity or recording an individual's diet, in a myriad of applications and software, including information sharing on social networks. Computational advances also allowed the emergence of bioinformatics, with the attainment of a large volume of genetic information, as well as information about proteins, hormones, and other substances present in the body.

The availability of this huge amount of data and new analytical techniques - big data analytics4 - opens up new scientific possibilities promising to bring about a real revolution in healthcare practice. Artificial intelligence (AI) areas, such as machine learning and data mining, allow for interactive interpretation and apprehension of the unstructured information available in large databases, recognizing hidden patterns of combination of information that are not obtained with traditional statistical methods.5 AI-based methods are being increasingly applied to cardiology to diagnose combinations of multiple imaging modalities, biobanks, electronic cohorts remote and on-site clinical sensors for monitoring of chronic pathologies, electronic health records, and genomes and other molecular techniques, among others6 (Table 1).

Examples of recent studies with artificial intelligence (AI) applications implemented in cardiology<xref ref-type="bibr" rid="B8">8</xref><sup>-</sup><xref ref-type="bibr" rid="B13">13</xref>
Article Publication Application of AI in cardiology
Machine learning of three-dimensional right ventricular motion enables outcome prediction in pulmonary hypertension: a cardiac MR imaging study8 Dawes TJW et al.MR imaging study Radiology2017;283(2):381-90 Evaluation of outcomes in pulmonary arterial hypertension based on a highly accurate algorithm derived from nuclear magnetic resonance
Differences in repolarization heterogeneity among heart failure with preserved ejection fraction phenotypic subgroups9 Oskouie SK et alAm J Cardiol2017;120(4):601-6 Identification of phenotypic patterns in heart failure with preserved ejection fraction and unfavorable prognosis
Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram10 Attia ZINat Med. 2019 Jan;25(1):70-74 AI applied to electrocardiography for identification of patients with left ventricular dysfunction
Artificial intelligence to predict needs for urgent revascularization from 12-lead electrocardiography in emergency patients11 Goto S et alPLoS ONE 201914(1):e0210103 Prediction of urgent revascularization in patients with chest pain in the emergency room
Fast and accurate view classification of echocardiograms using deep learning12 Madani, A..et alNPJ Digit. Med. 2018 1, 6,.24 Use of AI for interpretation with good accuracy of echocardiograms
Fully automated echocardiogram interpretation in clinical practice feasibility and diagnostic accuracy13 Zhang, J. et al.Circulation2018 138, 1623-35 Automated assessment of echocardiographic measurements comparable to or greater than manual assessment

The complete sequencing of the genome and exome, already available in multiple centers, and the future sequencing of the proteome, transcriptome, and metabolome may lead to the knowledge of biological differences among individuals, contextualizing the observed phenotypes with their molecular characterization, leading to the modulation of treatment for specific targets, with greater safety and precision, in the so-called precision medicine.7 This perspective of transformation of how knowledge is generated and applied, from the use of new data sources and analysis methodologies, has the potential to bring a new paradigm to medical and healthcare practice (Table 1).8-13

However, the use of this large volume of data by healthcare managers and professionals for planning of actions in healthcare and direct patient care is still a major challenge. Difficulties and risks cannot be underestimated.14,15 Studies on AI are usually based on observational data obtained from administrative databases or medical records, with the potential for different types of biases and confounding factors. The associations obtained rarely meet the criteria of causality, and well-designed and long-running studies will continue to be necessary for proving hypotheses and defining causality. On the other hand, most algorithms used work with the "black box" principle, without allowing the information user to know the reasons why a diagnosis or recommendation was generated, which can be a problem, especially if the algorithms were designed for a different environment than the one that the user's patient is inserted. Issues regarding information ethics, privacy, and security are still far from being resolved. Matters regarding the cost and cost-effectiveness of healthcare AI projects should be considered early, given the high expenditures in this sector. Topol,16 in a recent review, emphasized the premises that should guide the future application of AI in healthcare (Table 2).16

Premises to guide the future of artificial intelligence (AI) in medicine
• The patient must be considered to be at the center upon implementation of any new technology.
• The incorporation of these new technologies for diagnosis and treatment should occur after robust validation of their clinical efficacy.
• The use of digital tools and decision algorithms by patients should be another option for those patients who feel empowered.
• Cross-disciplinary training will need to be undertaken involving healthcare professionals, engineers, computer scientists, and bioinformaticians, who will minimize the difficulties of implementing the new technology.

Adapted from Topol EJ16

If greater availability of data and new AI techniques allow for more accurate diagnoses and prognoses, as well as personalized treatments, various aspects of healthcare practice will continue to depend on other dimensions, such as political, economic, and cultural ones, and the ability of healthcare professionals to interact with patients and the community. The issue of unequal access to healthcare is still critical in Brazil and in developing countries, and requires large investments to improve the organization of the healthcare system. Even when healthcare services and evidence-based guidelines are available, for common and relevant conditions such as hypertension and diabetes, the implementation gap is gigantic and best practices are not absorbed by healthcare professionals, or recommended measures are not implemented by patients and their families. The implementation science developed in recent decades, proves to be as important as the data science for the recognition of bottlenecks hindering the complete use of preventive and therapeutic measures ensuring benefit to the patients, who may live more and better, benefiting from all available knowledge.17

Thus, personalized medicine and AI promise to provide a powerful tool for complex and personalized healthcare data management, which will only be effective if used in the context of the art of caring and the doctor-patient relationship, allowing a new paradigm of medicine based on data but focused on the patient. Physicians and healthcare professionals will be responsible for evaluating and learning the new techniques, expanding the resources available to fully benefit the patients, in terms of not only their physical condition, but also their mental and spiritual conditions, minimizing the suffering that results from the process of illness.18

References 1 Sackett DL, Straus SE, Richardson WS, Rosenberg W, Brian Haynes R. Evidence-Based Medicine: How to practice and teach EBM. 2nd ed. London: Churchill Livingstone; 2000. Sackett DL Straus SE Richardson WS Rosenberg W Brian Haynes R Evidence-Based Medicine: How to practice and teach EBM 2000 2nd ed London Churchill Livingstone 2 Tonelli MR. Integrating evidence into clinical practice: an alternative to evidence-based approaches. J Eval Clin Pract. 2006;12(3):248-56. Tonelli MR Integrating evidence into clinical practice: an alternative to evidence-based approaches J Eval Clin Pract 2006 12 3 248 256 3 Kernick DP. Lies, damned lies, and evidence-based medicine. Lancet.1998;351(9118):1824. Kernick DP Lies, damned lies, and evidence-based medicine Lancet 1998 351 9118 1824 1824 4 Gu D, Li J, Li X, Liang C. Visualizing the knowledge structure and evolution of big data research in healthcare informatics. Int J Med Inform. 2017 Feb;98:22-32. Gu D Li J Li X Liang C Visualizing the knowledge structure and evolution of big data research in healthcare informatics Int J Med Inform 2017 02 98 22 32 5 Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. Machine learning in cardiovascular medicine: are we there yet? Heart 2018;104(14):1156-64. Shameer K Johnson KW Glicksberg BS Dudley JT Sengupta PP Machine learning in cardiovascular medicine: are we there yet? Heart 2018 104 14 1156 1164 6 Johnson KW, Soto JT, Glicksberg BS, Shameer K, Miotto R, Ali M, et al. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018;71(23):2668-79. Johnson KW Soto JT Glicksberg BS Shameer K Miotto R Ali M Artificial Intelligence in Cardiology J Am Coll Cardiol 2018 71 23 2668 2679 7 Savoia C, Volpe M, Grassi G, Borghi C, Agabiti Rosei E, Touyz RM. Personalized medicine- a modern approach for the diagnosis and management of hypertension. Clin Sci (Lond). 2017;131(22):2671-85. Savoia C Volpe M Grassi G Borghi C Agabiti Rosei E Touyz RM Personalized medicine- a modern approach for the diagnosis and management of hypertension Clin Sci (Lond) 2017 131 22 2671 2685 8 Dawes TJW, de Marvao A, Shi W, Fletcher T, Watson GMJ, Wharton J, et al. Machine learning of three-dimensional right ventricular motion enables outcome prediction in pulmonary hypertension: a cardiac MR imaging study. Radiology. 2017;283(2):381-90. Dawes TJW de Marvao A Shi W Fletcher T Watson GMJ Wharton J Machine learning of three-dimensional right ventricular motion enables outcome prediction in pulmonary hypertension: a cardiac MR imaging study Radiology 2017 283 2 381 390 9 Oskouie SK, Prenner SB, Shah SJ, Sauer AJ. Differences in repolarization heterogeneity among heart failure with preserved ejection fraction phenotypic subgroups. Am J Cardiol. 2017;120(4):601-6. Oskouie SK Prenner SB Shah SJ Sauer AJ Differences in repolarization heterogeneity among heart failure with preserved ejection fraction phenotypic subgroups Am J Cardiol 2017 120 4 601 606 10 Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med.2019;25(1):70-4. Attia ZI Kapa S Lopez-Jimenez F McKie PM Ladewig DJ Satam G Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram Nat Med 2019 25 1 70 74 11 Goto S, Kimura M, Katsumata Y, Goto S, Kamatani T, Ichihara G, et al. Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients. PLoS ONE. 201914(1): e0210103. Goto S Kimura M Katsumata Y Goto S Kamatani T Ichihara G Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients PLoS ONE 2019 14 1 e0210103 12 Madani, A, Arnaout R, Mohammad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit. Med. 2018:1;pii 6. Madani A Arnaout R Mohammad M Arnaout R Fast and accurate view classification of echocardiograms using deep learning NPJ Digit. Med 2018 1 1 pii 6 13 Zhang J, Gajjala S, Agrawal P, Tison GH, Hallock LA, Beussink-Nelson L, et al. Fully automated echocardiogram interpretation in clinical practice feasibility and diagnostic accuracy. Circulation. 2018;138(13):1623-35. Zhang J Gajjala S Agrawal P Tison GH Hallock LA Beussink-Nelson L Fully automated echocardiogram interpretation in clinical practice feasibility and diagnostic accuracy Circulation 2018 138 13 1623 1635 14 Maddox TM, Rumsfeld JS, Payne PRO. Questions for artificial intelligence in health care. JAMA.2019;321(1):31-2. Maddox TM Rumsfeld JS Payne PRO Questions for artificial intelligence in health care JAMA 2019 321 1 31 32 15 Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. Topol EJ High-performance medicine: the convergence of human and artificial intelligence Nat Med 2019 25 1 44 56 16 Topol EJ. The Topol Review. An independent report on behalf of the Secretary of State for Health and Social Care. [Internet]. [Accessed in 2019 Feb 17]. Available from: https://topol.hee.nhs.uk/ Topol EJ The Topol Review An independent report on behalf of the Secretary of State for Health and Social Care Internet 2019 Feb 17 Available from: https://topol.hee.nhs.uk/ 17 Chan WV, Pearson TA, Bennett GC, Cushman WC, Gaziano TA, Gorman PN, et al. ACC/AHA Special Report: Clinical Implementation Strategies: A Summary of Systematic Reviews by the NHLBI Implementation Science Work Group: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines. Circulation. 2017;135(9):e122-e137. Chan WV Pearson TA Bennett GC Cushman WC Gaziano TA Gorman PN ACC/AHA Special Report: Clinical Implementation Strategies: A Summary of Systematic Reviews by the NHLBI Implementation Science Work Group: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines Circulation 2017 135 9 e122 e137 18 Chen JH, Asch SM. Machine learning and prediction in medicine - beyond the peak of inflated expectations. N Engl J Med. 2017;376(26):2507-9. Chen JH Asch SM Machine learning and prediction in medicine - beyond the peak of inflated expectations N Engl J Med 2017 376 26 2507 2509 Editorial Rumo a uma Cardiologia Centrada no Paciente e Guiada por Dados 0000-0002-2740-0042 Ribeiro Antonio Luiz 1 0000-0002-0737-6188 Oliveira Gláucia Maria Moraes de 2 Universidade Federal de Minas Gerais, Belo Horizonte, MG - Brasil1 Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ - Brasil2 Correspondência: Gláucia Maria Moraes de Oliveira, Universidade Federal do Rio de Janeiro - R. Prof. Rodolpho P. Rocco, 255 - 8°. Andar - Sala 6, UFRJ. CEP 21941-913, Cidade Universitária, RJ - Brasil. E-mail: glauciam@cardiol.br, glauciamoraesoliveira@gmail.com Palavras-chave Cardiologia Tomada de Decisão Clínica Assistência Centrada no Paciente Medicina Baseada em Evidências/métodos Acesso à Tecnologia em Saúde Inteligência Artificial Equipamento Digital para Diagnóstico Aprendizado de Máquinas/tendências Gestor de Saúde Relações Médico-Paciente

A partir dos anos 70 e 80 do século passado, o advento dos estudos clínicos aleatorizados e de grandes coortes, associado ao desenvolvimento da metodologia para realização de revisões sistemáticas e metanálises, provocou uma revolução na forma de pensar e realizar a prática em saúde. A medicina baseada em evidências (MBE), definida como a integração das melhores evidências de pesquisa com experiência clínica e valores do paciente,1 impôs-se como um novo paradigma, passando a nortear o ensino médico e as publicações especializadas. Um dos princípios da MBE foi exatamente a primazia das informações obtidas de estudos clínicos randomizados e de metanálises, que foram colocados no topo de uma hierarquia de evidências, valorizando resultados quantitativos mais do que a experiência clínica e a opinião dos especialistas. Na verdade, sempre foi um desafio para a MBE a integração das evidências empíricas com outros tipos de conhecimento médico, como a expertise clínica e a fundamentação patofisiológica, ou mesmo as preferências de pacientes individuais.2

O uso da MBE na prática clínica também esbarra na dificuldade de encontrar evidências robustas para todos os subgrupos de situações clínicas encontradas no mundo real, “zonas cinzentas” nas quais nenhuma evidência confiável pode ser obtida da literatura científica para orientar o médico no cuidado de seu paciente. Ensaios clínicos randomizados são caros e geralmente exigem grandes amostras de estudo e acompanhamento de longo prazo. Existem diversas situações sem evidências, ou nas quais essas são inconsistentes ou de baixa qualidade.3

Nas duas últimas décadas, o uso da tecnologia digital invadiu a vida diária em todo o mundo e mudou radicalmente a forma das pessoas viverem e se relacionarem, com impacto direto sobre a prática de saúde. Sistemas públicos e privados de informação e de registro administrativo da prática em saúde se tornaram ubíquos e cada vez mais complexos e completos, guardando informações que vão de doenças de notificação compulsória a motivos de internação e causa de morte.

Os equipamentos de diagnóstico se tornaram digitais e o prontuário médico eletrônico passou a acumular informações clínicas, medicações prescritas e exames laboratoriais dos pacientes. Smartphones e aparelhos digitais passaram a medir a atividade física ou registrar a dieta dos indivíduos, numa miríade de aplicativos e software, incluindo o compartilhamento de informações em redes sociais. Os avanços computacionais também permitiram o aparecimento da bioinformática, com obtenção de grande volume de informações genéticas e acerca de proteínas, hormônios e outras substâncias presentes no organismo.

A disponibilidade desta enorme quantidade de dados e de novas técnicas analíticas - o big data analytics4 - abre novas possibilidades científicas, prometendo provocar uma verdadeira revolução na prática em saúde. Áreas da inteligência artificial (IA), como o machine learning e a data mining, permitem interpretar e apreender de forma interativa com a informação pouco estruturada disponível nos grandes bancos de dados, reconhecendo padrões ocultos de combinação das informações que não são obtidas com os métodos estatísticos tradicionais.5 Métodos baseados em IA são cada vez mais aplicados à cardiologia para diagnóstico de combinações de múltiplas modalidades de imagens, biobancos, coortes eletrônicas, sensores clínicos presenciais e à distância para monitoração de patologias crônicas, registros eletrônicos de saúde, genomas e outras técnicas moleculares, entre outros6(Quadro 1).

Exemplos de estudos recentes com aplicações de inteligência artificial (IA) implementadas em cardiologia8-13
Artigo Publicação Emprego da IA na cardiologia
Machine learning of three-dimensional right ventricular motion enables outcome prediction in pulmonary hypertension: a cardiac MR imaging study8 Dawes TJW et al.MR imaging study Radiology2017;283(2):381-90 Avaliação de desfechos na hipertensão arterial pulmonar baseada em algoritmo de acurácia elevada derivado da ressonância nuclear magnética
Differences in repolarization heterogeneity among heart failure with preserved ejection fraction phenotypic subgroups9 Oskouie SK et alAm J Cardiol2017;120(4):601-6 Identificação de padrões fenotípicos para a insuficiência cardíaca com fração de ejeção preservada e prognóstico desfavorável
Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram10 Attia ZINat Med. 2019 Jan;25(1):70-74 Aplicação da IA à eletrocardiografia para identificar pacientes com disfunção ventricular esquerda
Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients11 Goto S et alPLoS ONE 201914(1):e0210103 Predição de revascularização urgente em pacientes com dor torácica na emergência
Fast and accurate view classification of echocardiograms using deep learning12 Madani, A.. et alNPJ Digit. Med. 2018 1, 6,.24 Emprego da IA para interpretação de eletrocardiograma com boa acurácia
Fully automated echocardiogram interpretation in clinical practice feasibility and diagnostic accuracy13 Zhang, J. et al.Circulation 2018 138, 1623-35 Medições automatizadas de variáveis ecocardiográficas comparáveis ou superiores às realizadas com método manual

O sequenciamento completo do genoma e do exoma, já disponíveis em múltiplos centros, e o futuro sequenciamento do proteoma, do transcriptoma e do metaboloma poderão levar ao conhecimento das diferenças biológicas dos indivíduos, contextualizando os fenótipos observados com sua caracterização molecular, levando à modulação do tratamento para alvos específicos, com maior segurança e precisão, na chamada medicina de precisão.7 Esta perspectiva de transformação de como o conhecimento é gerado e aplicado, a partir do uso de novas fontes de dados e metodologias de análise, têm o potencial de trazer um novo paradigma para a prática médica e em saúde.(Quadro 1)8-13

Entretanto, a utilização pelos gestores e profissionais de saúde desse grande volume de dados, para o planejamento das ações em saúde e no cuidado direto aos pacientes, ainda constitui um grande desafio. As dificuldades e riscos não podem ser subestimados.14,15 Os estudos de IA geralmente se utilizam de dados observacionais, obtidos de bases de dados administrativas ou de prontuários clínicos, com potencial de ocorrência de diferentes tipos de vieses e fatores de confundimento. As associações obtidas raramente preenchem os critérios de causalidade, e estudos bem desenhados e de execução longa continuarão a ser necessários para comprovação de hipóteses e definição de causalidade. Por outro lado, boa parte dos algoritmos utilizados funciona no princípio da “caixa preta”, sem permitir ao usuário da informação saber os motivos pelos quais um diagnóstico ou recomendação foi gerada, o que pode ser um problema, especialmente se os algoritmos foram desenhados para um ambiente diferente do que o seu paciente se insere. Questões éticas, de privacidade e de segurança da informação ainda estão longe de serem resolvidas. As questões referentes ao custo e ao custo-efetividade dos projetos de AI em saúde devem ser consideradas precocemente, dados os elevados gastos nesse setor. Topol,16 em revisão recente, salientou as premissas que devem nortear a futura aplicação da IA em saúde (Quadro 2).16

Premissas para nortear a futuro da inteligência artificial (IA) na medicina
• O paciente deve ser considerado o centro para a implementação de qualquer nova tecnologia.
• A incorporação dessas novas tecnologias para diagnóstico e tratamento deve ocorrer quando houver uma robusta validação de sua eficácia clínica.
• O emprego de ferramentas digitais e algoritmos de decisão pelos pacientes deve ser mais uma opção para os pacientes que se sentirem habilitados.
• O treinamento interdisciplinar precisará ser realizado envolvendo profissionais de saúde, engenheiros, cientistas da computação e bioinformáticos, que irão minimizar as dificuldades de implementação da nova tecnologia.

Adaptado de Topol EJ16

Se a maior disponibilidade de dados e de novas técnicas de IA permitir obter diagnósticos e prognósticos mais precisos e tratamentos personalizados, vários aspectos da prática em saúde ainda continuarão a depender de outras dimensões, como a política, a econômica e a cultural, e da habilidade dos profissionais de saúde de interagirem com os pacientes e com a comunidade. A questão da desigualdade do acesso à saúde ainda é crítica no Brasil e nos países em desenvolvimento, e exige desde grandes investimentos até a melhoria da organização do sistema de saúde. Mesmo quando os serviços de saúde e diretrizes baseadas em evidência estão disponíveis, para condições comuns e relevantes, como hipertensão e diabetes, o gap de implementação é gigantesco e as melhores práticas não são absorvidas pelos profissionais de saúde, ou as medidas recomendadas não são realizadas pelos pacientes e seus familiares. A implementation science, desenvolvida nas últimas décadas, mostra-se tão importante como a data science para o reconhecimento dos gargalos (bottlenecks) que impedem a utilização plena de medidas preventivas e terapêuticas que garantam o benefício para os pacientes, que poderão viver mais e melhor, utilizando todo o conhecimento disponível.17

Assim, a medicina personalizada e a IA prometem fornecer uma ferramenta poderosa de gestão de dados complexos e personalizados em saúde, que só será eficaz se utilizada no contexto da arte de cuidar e da relação médico-paciente, permitindo que se atinja um novo paradigma da medicina baseada em dados mas centrada no paciente. Caberá aos médicos e profissionais de saúde a responsabilidade de avaliar e aprender as novas técnicas, ampliando os recursos disponíveis de modo a beneficiar os pacientes de forma plena, não apenas em sua condição física, mas também em sua condição mental e espiritual, minimizando o sofrimento decorrente do processo de adoecimento.18