Abstract(resumo):

Objetivo: Mapear o que vem sendo produzido na literatura científica sobre o uso da inteligência artificial (IA) no manejo das dores crônicas, principal motivo de incapacidade no mundo. Métodos: Revisão de escopo realizada seguindo as diretrizes PRISMA-ScR. A busca de artigos foi realizada nas bases de dados: MEDLINE; LILACS; SPORTDiscus; SCOPUS; CENTRAL; Science Direct; IEEE Xplore; e Association for Computing Machinery Digital Library and arXiv. Combinou-se os descritores, “Chronic Pain” e seus sinônimos com os termos “Artificial Intelligence” ou “Machine Learning” ou seus sinônimos. Resultados: Inicialmente, identificou-se 2767 artigos, sendo selecionados e analisados 109 estudos. Percebe-se que o volume de produção científica vem crescendo ao longo dos anos. A maioria dos algoritmos de IA utilizados focalizaram a classificação de indivíduos de acordo com o tipo de dor crônica e a predição de grupos de risco. Suport Vector Machine, Random Forrest, Redes Neurais, Regressão logística e K-means foram os algoritmos mais usados. Poucos estudos focalizaram o uso da IA na Atenção Primária (APS). Conclusão: Destaca-se o potencial da IA em prevenir e melhorar o manejo das dores crônicas, mas ainda há importante carência de estudos focados na APS, porta de entrada do SUS e setor privilegiado para a prevenção e manejo adequado do problema.

Keywords(palavra-chave):

Dor crônica; Inteligência Artificial; Aprendizado de máquina; Atenção Primária à Saúde; Saúde da Família.

Content(conteúdo):

Introdução
Dor crônica é um problema de saúde frequente e complexo que gera um grande impacto na sociedade(1). É considerada um dos maiores problemas globais de saúde pública e, de acordo com o Global Burden of Disease Study(2), é a maior causa de incapacidade no mundo. Apesar de ser um dos assuntos mais pesquisados na área de saúde, as evidências até o momento são incapazes de mudar o status de causa líder de incapacidade no planeta(3).
De acordo com a International Association for the Study of Pain (IASP), a dor é uma experiência sensitiva e emocional desagradável associada a uma lesão tecidual real ou potencial(4). Quando esta dor é contínua ou intermitente por mais de 12 semanas, é denominada como dor crônica. A dor crônica primária (DCP) é definida como dor sem causa aparente, que persiste por mais de três meses em uma ou mais regiões anatômicas, causando um significativo sofrimento emocional (ansiedade, raiva/frustração ou humor deprimido) e/ou incapacidade funcional (interferência nas atividades diárias e redução da participação em papéis sociais)(5). O processo que pode levar à DCP é multifatorial. Fatores biológicos, psicológicos e sociais contribuem para a síndrome da dor(6). Segundo tal classificação, como dores crônicas secundárias temos: a dor crônica relacionada ao câncer (7); dor crônica pós cirúrgica ou pós traumática (8); dor neuropática crônica (9); dor orofacial ou cefaleia crônica secundária (10); dor visceral crônica secundária (11); e dor crônica musculoesquelética secundária (6, 12) (material suplementar 01).
A maior dificuldade no tratamento da dor crônica é a multiplicidade de fatores que estão complexamente interligados na gênese do problema(13). Como as causas são difusas, o manejo do problema acaba sendo pouco específico. Tal situação acaba por reduzir a efetividade das propostas terapêuticas(14). Estimular estudos sobre intervenções em que o tratamento e/ou prevenção da dor de indivíduos sejam baseados em um risco absoluto individual e não um risco geral, hipoteticamente poderia gerar evidências que melhor subsidiassem a escolha das estratégias terapêuticas (15). A observação da pouca efetividade das intervenções, da recorrência da síndrome e dos desafios em seu manejo parecem indicar que é necessário investir em novas ferramentas diagnósticas e terapêuticas.
Recentemente, a literatura tem sugerido diversos usos da inteligência artificial (IA) na área da saúde. Dentre as possibilidades de utilização de IA, ressalta-se seu uso para rastreamento e diagnóstico de problemas de saúde, suporte para decisão do tratamento, para indicação de especialistas, para estimação do prognóstico, para análise dos prontuários, para construção de bases de conhecimento, extração de informações e provisão de informações descritivas. As ferramentas de IA podem ser direcionadas ao profissional de saúde, gestor de saúde e paciente e/ou responsável(16). Como uma ferramenta que, baseada em dados pregressos, consegue entender padrões e regras e assim estimar o risco de um determinado desfecho ocorrer(17), nos últimos anos, a IA vem sendo cada vez mais utilizadas como instrumento de apoio à tomada de decisão em diferentes etapas do cuidado em saúde. Entretanto, ainda não temos conhecimento suficiente, capaz de indicar as potencialidades e desafios de seu uso na saúde. Sendo assim, pesquisas sobre o tema devem ser incentivadas.
Explorar o potencial dos algoritmos de inteligência artificial utilizados no manejo dos indivíduos com dores crônicas pode trazer evidências que auxiliem na promoção de saúde e na prevenção de novos casos, bem como aumentem a efetividade das propostas terapêuticas no tratamento dos casos, reduzindo as consequências negativas que tais situações trazem ao bem-estar e à qualidade de vida dos indivíduos que sofrem com o problema(18).
O Sistema Único de Saúde (SUS), instituído pela Constituição de 1988 e baseado nos princípios de universalidade, integralidade e equidade, assegura o acesso gratuito à saúde para todos os brasileiros(19). A Atenção Primária à Saúde (APS), ocupa uma posição central na estrutura do SUS, sendo a principal porta de entrada da Rede de Atenção à Saúde (RAS)(20). No Brasil, a APS é predominantemente organizada pela Estratégia de Saúde da Família (ESF), visando a promoção da saúde, a prevenção de agravos, além de cuidado contínuo e integral (19, 21). Dada a complexidade e a abrangência do SUS, o uso de tecnologias emergentes, como ferramentas de Inteligência Artificial (IA), despontam como uma oportunidade promissora para otimizar a gestão e a prestação de serviços. No contexto da APS, a IA pode aprimorar a triagem, o monitoramento de doenças crônicas e a personalização dos cuidados, potencializando as ações de promoção da saúde e prevenção de agravos.
Visando ampliar o conhecimento sobre o uso de IA nos serviços de saúde, o objetivo deste estudo é fazer uma revisão de escopo abrangente sobre o uso da IA no manejo das dores crônicas nos serviços de saúde, especialmente a APS/ESF, identificando os cenários de aplicação da IA que vem sendo estudados, os tipos de algoritmos utilizados para o manejo das dores crônicas e os mais promissores, os principais preditores que vem sendo utilizados nestes algoritmos, a população beneficiária dos resultados da aplicação de IA (gestores, profissionais de saúde, usuários), quais as condições de dor crônica mais estudadas e as com potencial para crescimento, além de apontar lacunas de conhecimento sobre o tema.
Métodos
Redação e Registro
Esta revisão foi planejada, realizada e redigida conforme as recomendações do Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews (PRISMA-ScR)(22,23). O projeto foi registrado no Open Science Framework (OSF) com o número de identificação: DOI 10.17605/OSF.IO/2GE63 Disponível no link: https://osf.io/2ge63/
Desenho de Estudo
Trata-se de uma Revisão de Escopo, de acordo com as orientações do JBI Manual for Evidence Synthesis(24), disponível em: https://synthesismanual.jbi.global.
Pergunta da Revisão
O que a literatura científica apresenta, atualmente, sobre o uso de ferramentas com inteligência artificial no manejo das dores crônicas?
Critérios de elegibilidade
Critérios de Inclusão
Como critérios de inclusão, temos: a) amostra/população - portadores de dores crônicas musculoesqueléticas; e indivíduos saudáveis; b) uso de técnica de Inteligência artificial em qualquer momento da reabilitação; c) análise de qualquer tipo de desfecho, preferencialmente desfechos clínicos; e d) sem restrições baseadas em raça, sexo, idade ou religião.
Critérios de Exclusão
Como critérios de exclusão consideramos: a) estudos publicados em revistas sem revisão por pares; b) protocolos de pesquisa ou demais publicações que não tragam resultados de pesquisa original; e c) estudos que tenham utilizado qualquer outro método de análise de dados que não seja Inteligência Artificial.
Estratégia de busca bibliográfica
Uma busca bibliográfica sem filtro de tempo ou idioma foi realizada na data de: 28/03/2023 nas seguintes bases de dados: MEDLINE (US National Library of Medicine); LILACS (Latin American and Caribbean Literature in Health Sciences); SPORTDiscus; SCOPUS; CENTRAL; Science Direct; IEEE Xplore; Association for Computing Machinery Digital Library and arXiv.
A chave de busca foi elaborada por dois autores independentes e discordâncias foram debatidas e resolvidas com todo o grupo de autores. Foi utilizado, para a criação da chave de busca, os operadores booleanos “OR” entre sinônimos e “AND” entre os descritores. Os descritores, presentes nas bases Descritores em Ciências da Saúde (DeCS) e no Medical Subject Headings (MeSH), “Chronic Pain” e seus sinônimos foram utilizados em combinação com os termos “Artificial Intelligence” ou “Machine Learning” ou seus sinônimos. Os descritores foram adaptados para utilização em todas as bases de dados, somente com a chave de busca sendo específica para uma melhor clareza dos resultados e fácil reprodutibilidade. A estratégia de busca completa utilizada nas bases de dados está disponível no material suplementar 02.
Após fazer a busca em todas as bases de dados, os estudos foram analisados e os estudos duplicados foram excluídos. Após a exclusão dos estudos duplicados, dois autores independentes analisaram os estudos lendo títulos e resumos, excluindo aqueles que não se enquadraram nos critérios de seleção previamente definidos. Discordâncias entre os autores foram debatidas e resolvidas com todo o grupo de autores.
Os artigos selecionados foram lidos na íntegra por dois avaliadores independentes, sendo as informações de interesse extraídas utilizando-se de um formulário de extração de dados focalizado nas seguintes características: autor, ano, país, área de publicação da revista, tipo de dor crônica, mensuração da dor, idade dos participantes, tipo de atenção, tipo de estudo, tamanho da amostra, objetivo do estudo, alvo da ferramenta, tipo de IA, objetivo da IA, fontes dos dados e tipos de dados.
Resultados
A busca de artigos nas nove bases de dados resultou em um apanhado de 2.767 artigos recuperados. Destes, 517 estavam duplicados em diferentes bases e foram excluídos. Dos 2.250 artigos restantes 2.087 foram excluídos após a leitura dos resumos por não abordarem o tema. Cento e sessenta e quatro artigos foram selecionados para a leitura completa e análise da elegibilidade de acordo com os critérios de exclusão e inclusão estipulados previamente. Nesse estágio de triagem, 75 artigos foram excluídos pelos seguintes motivos: população inadequada (n = 31), desfecho inadequado (n =23), intervenção inadequada (n =15), tipo de estudo inadequado (n = 6). Sendo assim, 89 artigos foram selecionados após passarem pelo crivo de elegibilidade na leitura completa. Em um segundo momento, 26 artigos extras foram recuperados por buscas manuais de citações, sendo seis excluídos na elegibilidade por análise de desfecho inadequado, restando 20 artigos adicionais. Por conseguinte, 109 artigos contemplaram os critérios de elegibilidade estipulados e foram incluídos nesta revisão de escopo (Figura 01).
Figura 1

Os estudos selecionados nessa revisão de escopo foram bastante abrangentes de acordo com os critérios pré-estipulados (amostra, uso de técnica de Inteligência artificial em qualquer momento da reabilitação, análise de qualquer tipo de desfecho sem restrições baseadas em raça, sexo, idade e religião). Em termos do ano de publicação, os estudos selecionados foram publicados entre 2002 e março de 2023 (data da busca). Os países com maior quantidade de publicações na área foram os Estados Unidos com 44 estudos, Inglaterra com 16 estudos e o Canadá com 10 estudos. Apenas dois estudos foram realizados por pesquisadores brasileiros. O crescimento gradativo do número de publicações na área é visível, principalmente a partir de 2018 (Figura 02).
Figura 2

O uso das ferramentas baseadas em IA tiveram diferentes objetivos, havendo grande variação em relação ao nível de atenção à saúde destinado. A maior parte dos estudos não especifica se a ferramenta seria útil na atenção primária, secundária e/ou terciária (n = 60). Dos estudos que informam onde será destinada a ferramenta baseada em IA, a maior parte focou na atenção terciária (n = 31), seguido pela atenção secundária (n = 12). Apenas cinco estudos indicam a APS para o destino das ferramentas baseadas em IA. Ainda, um estudo foi desenvolvido para múltiplos destinos (n=1) (Material suplementar 03).
Dos cinco estudos direcionados a Atenção Primária à Saúde, quatro foram longitudinais (3 observacionais e 1 Estudo Controlado Randomizado) e um transversal. Fodeh et al.(29) (2017) focalizaram a análise de padrões em dados de avaliação não estruturados dos prontuários de pacientes com dor crônica, buscando entender tendências em informações como anotações de prontuários e relatos de pacientes e oferecer uma visão mais ampla e integrada do estado de saúde do paciente. Nijeweme-d’Hollosy et al.(28) (2018) tiveram o propósito de explorar as possibilidades do uso de Machine Learning no suporte à decisão clínica nos indivíduos com dores lombares crônicas, envolvendo a criação de ferramentas que orientassem os profissionais na escolha terapêutica. Tsai et al.(26) (2021) analisaram a performance de preditores relacionados ao movimento e às horas de sono com a finalidade identificar fatores que pudessem prevenir as dores crônicas ou moldar a resposta ao tratamento. O estudo Nephew et al.(25) (2022), investigou associações de variáveis individuais com depressão e dor crônica visando identificar relações entre fatores específicos e desfechos em saúde, facilitando a compreensão de como determinadas características dos pacientes e dos tratamentos estão conectadas a resultados específicos. Já Liew et al.(27) (2023) focalizaram o uso de IA para a classificação de subgrupos de indivíduos com dor lombar, visando encontrar estratégias específicas de tratamento, aumentando a eficácia terapêutica.
Utilizando a classificação atual de dores crônicas sugerida pela IASP(6), que classifica a dor cônica em sete subtipos, observa-se que grande parte dos estudos foi direcionado às dores crônicas musculoesqueléticas (n= 39). A dor crônica primária também foi o alvo de boa parte dos estudos (n = 25). Foi encontrado em menor número estudos focando dor visceral crônica (n = 9), dor crônica do câncer (n = 7), dor de cabeça ou orofacial crônica (n= 4), dor pós cirúrgica e pós-traumática crônica (n = 4) e dor neuropática crônica (n = 2). Ressalta-se que algumas publicações não relataram o tipo de dor crônica para qual o estudo foi realizado (n = 19) (figura 03).
Figura 3

Ao analisar os estudos de acordo com a topografia corporal da dor a que se destinam, percebe-se que as regiões corporais diferem entre os estudos. Apesar da maioria dos estudos selecionados não especificar o local da dor crônica (n = 57), boa parte dos estudos teve o seu alvo a dor lombar crônica (n = 32), seguido por dor nas costas crônica (onde o local da dor na coluna não foi especificado) (n = 7), dor pélvica crônica (n = 5), dor cervical crônica e no joelho crônica com a mesma quantidade de estudos (n = 3) e por último dor de cabeça ou orofacial crônica (n = 2) (material suplementar 04).
Ao analisar a população alvo da ferramenta, destacamos a grande quantidade de estudos voltados ao paciente, ou seja, no qual o indivíduo portador da condição crônica (n = 97) seria o principal usuário da ferramenta. Uma quantidade diminuta de estudos foi desenvolvida com a finalidade de apoiar os profissionais de saúde (n = 9) e gestores de saúde (n = 2) no manejo da dor crônica.
Para uma melhor compreensão os resultados do estudo foram sistematicamente organizados em dois grandes quadros: Características gerais e metodológicas dos estudos (quadro 01) e Característica das ferramentas e dos dados utilizados na pesquisa (quadro 02).
Essa revisão de escopo, identificou e sistematizou diversos aspectos importantes da literatura científica relacionada às ferramentas de IA aplicadas à área de dores crônicas. Como pode ser visto no quadro 01, a maior parte dos estudos foi realizada em países da América do Norte e Europa, seguido por países asiáticos. A América do Sul apresentou apenas 2 estudos, ambos realizados por pesquisadores brasileiros. Em termos da área de publicação da revista, a maior parte era voltada para a área de ciências médicas, tecnologia e diagnóstico por imagem. As dores crônicas mais prevalentes foram, respectivamente: dor musculoesquelética crônica (n = 39), dor crônica primária (n = 25), dor visceral crônica (n = 9), dor crônica do câncer (n = 7), dor crônica de cabeça ou orofacial (n = 4), dor pós cirúrgica ou pós-traumática crônica (n = 4) e, por último a dor neuropática crônica (n = 2). Ferramentas utilizadas para a mensuração da dor foram majoritariamente encontradas: a Escala Visual Analógica (n = 24) e a Escala de Estimativa Numérica (n = 19) e questionários específicos. A idade média da amostra total relatada foi de 50 anos. A maioria dos estudos não informou o nível de Atenção à Saúde (n = 60). Dos estudos que informaram destaque para a Atenção Terciária à Saúde com maior quantidade de publicações (n = 31), inversamente a Atenção Primária à Saúde ficou com a menor quantidade (n = 5). Desenhos de estudo observacionais foram predominantes na revisão (n = 102), aparecendo ainda pequena quantidade de estudos experimentais (n = 7). A amostra total de dados utilizados para análise foi contabilizada em 733.106,571 e os objetivos de estudo mais prevalentes foram: a classificação de indivíduos de acordo com o tipo de dor crônica e a predição de grupos de risco. (quadro 01).
Quadro 1

Além das características gerais e metodológicas ainda foi verificado que os principais alvos dessas ferramentas são os pacientes, mas também há estudos voltados aos profissionais de saúde e pouquíssimos aos gestores. Os tipos de IA utilizados incluem aprendizado supervisionado, semi-supervisionado e não supervisionado. Os supervisionados foram os mais encontrados nos estudos que participaram desta revisão (n = 92), em especial: Suport Vector Machine (n = 32), Random Forrest (n = 31), Regressão logística (n = 26), Redes Neurais (n = 13) e K-means (n = 10). Os objetivos dos algoritmos de IA basicamente são classificação, predição e agrupamento de variáveis. As fontes de dados utilizadas pelas ferramentas de IA são diversas, abrangendo registros médicos eletrônicos, relatos de pacientes, sensores biométricos e dispositivos de monitoramento. Dados provenientes de pesquisas clínicas e estudos longitudinais também são integrados para fornecer uma base de conhecimento abrangente e robusta. Os tipos de dados processados pelas ferramentas de IA variam entre dados estruturados e não estruturados. Esses dados podem ser em formato de texto, áudio ou imagens. Dados textuais incluem descrições verbais da dor pelos pacientes, notas clínicas e questionários. Imagens, como exames de imagens médicas ou fotografias de áreas afetadas, fornecem informações visuais complementares. Áudios, como gravações de relatos de dor, são analisados para capturar nuances na comunicação verbal dos pacientes sobre sua experiência de dor (quadro 02).
Quadro 2

Discussão
Esta abrangente revisão de escopo revela que o volume de produção científica sobre IA em dores crônicas vem crescendo ao longo dos anos, especialmente após 2018, sendo o primeiro estudo, selecionado, publicado em 2002 e o último em 2023 (data da busca). Este aumento considerável do número de estudos sobre o tema mais recentemente possivelmente se deve a popularização das ferramentas de IA, maior capacidade técnica e maior capacidade computacional para conseguir processar cada vez maior quantidade de dados (30, 31). Aliado a isso, a grande prevalência de dores crônicas ao redor do mundo e a dificuldade que os profissionais de saúde vêm enfrentando para melhorar o manejo dos indivíduos com estas condições também instigam a produção de novos estudos e a incorporação de novas tecnologias, dentre estas a IA (32). Usar a IA de diversas maneiras, como demonstrado nessa revisão, pode ser um caminho em um tema tão complexo e de difícil solução.
Diferente do esperado, foi encontrado somente cinco estudos com foco nas atividades desenvolvidas na APS, cenário que costuma ser a porta de entrada para pacientes com estas condições. Como indicado na seção de Resultados, os cinco estudos divergem com relação aos seus objetivos e apresentam diferenças metodológicas que dificultam uma síntese quantitativa e sugerem ser este uma área de investigação ainda incipiente. A escassez de estudos voltados à APS também revela que apesar de as ferramentas de IA terem grande potencial para auxiliar no rastreamento de população de risco para dores crônicas no primeiro momento de contato com o sistema de saúde, ainda temos muito a avançar. Estimular pesquisadores familiarizados em IA e com experiência em atenção primária parece ser um caminho viável para o aumento de publicações na área e, consequentemente, o avanço de aplicações práticas das novas tecnologias na APS.
Dentre os tipos de dores crônicas, a dor crônica musculoesquelética foi a mais prevalente nos estudos (n = 39), seguido pela dor crônica primária (n = 25). Este achado foi diferente do esperado pois a dor crônica primária é, de acordo com a literatura especializada, a mais prevalente em todo o mundo(5). Muitos estudos selecionados nesta revisão focalizaram a dor lombar crônica (n = 32), visto que é a condição musculoesquelética crônica mais prevalente do mundo. Desta maneira, deve-se evitar a generalização dos resultados destes estudos à todas as dores crônicas. O direcionamento do uso dos algoritmos de IA nos estudos selecionados foi quase integralmente focado para o uso nos pacientes. Essa característica do alvo a ser atingido pelas ferramentas pode traduzir a percepção de que o manejo da condição das dores crônicas pelos pacientes é realmente um foco importante no cuidado desse campo de pesquisa.
Ressalta-se que os 109 estudos tiveram diferentes objetivos, desenhos e utilizaram distintos algoritmos. Essa diversidade temática e metodológica indica que a utilização da IA em dores crônicas é um amplo campo de estudo a ter suas subáreas temáticas exploradas cada vez mais nos próximos anos. Outro resultado importante é o fato de a maioria dos algoritmos de IA utilizados focalizavam em classificação de indivíduos e predição de grupos de risco (n = 93). Dos estudos encontrados, poucos focaram efetivamente no tratamento da dor crônica (n = 5), convergindo com os achados de revisões já publicadas sobre o tema(33, 34). Esta parece ser uma grande lacuna apesar de os algoritmos potencialmente serem de grande utilidade no auxílio das decisões de suporte clínico no tratamento e prognóstico.
Em termos dos temas de maior interesse, percebe-se que o uso de biomarcadores e neuroimagem para entender quais variáveis podem predizer as respostas ao tratamento em pacientes com dores crônicas é um dos temas mais pesquisados(35-38). Neste campo, a análise de imagens funcionais do cérebro, como a Ressonância Magnética Funcional, tem sido utilizada para identificar padrões cerebrais que se correlacionam com a resposta à dor e ao tratamento com fármacos, como analgésicos opioides(39-41). Outro tema importante foi a apreciação da performance da integração de sensores de movimento e eletromiografia (EMG) com algoritmos de Machine Learning na identificação de padrões anômalos em pacientes com dor crônica. A análise de dados capturados por sensores pode distinguir características motoras sutis que podem contribuir para a dor(42, 43). A questão do uso prolongado de opioides e a previsão de abuso dessas substâncias também é uma área de destaque. Estudos sugerem que algoritmos preditivos têm sido eficazes para identificar pacientes em risco de uso prolongado de opioides após procedimentos cirúrgicos ou dores crônicas(44, 45). Este aspecto está diretamente relacionado ao crescente esforço para mitigar a epidemia de opioides, conforme evidenciado por Jones et al.(46) (2018) que argumentam que a previsão de comportamentos de uso inadequado pode ser a chave para reduzir o impacto dessa crise global de saúde.
A grande maioria dos estudos selecionados nesta revisão de escopo apresentaram um desenho observacional (n = 102). Esta característica metodológica revela que dados dos indivíduos foram utilizados para alguma análise indireta com IA, como classificar indivíduos em subgrupos, associar variáveis que possam ser relacionadas buscando fatores de risco e prognósticos, identificar genes envolvidos em processos de cronificação, criar novos meios de avaliação para indivíduos com dores crônicas, criar modelos para predizer dor crônica pós-cirúrgica, prever a quantidade de opioide pós cirúrgica, dentre outros. Estudos de intervenção e análise de eficácia terapêutica como ensaios clínicos controlados randomizados foram encontrados em pouca quantidade (n = 7) e devem ser mais estimulados. Por outro lado, um dos pontos fortes dos estudos que entraram nesta revisão é que a maioria (n = 56) utilizou para avaliação da intensidade da dor nos indivíduos as escalas de dor comumente utilizadas na literatura sobre o tema seguindo um padrão já presente no campo de estudo das dores crônicas(49).
Outro achado a ser ressaltados é o fato de que muitos dos estudos selecionados utilizam bancos de dados públicos e/ou de dados de autorrelato do paciente (n = 25), no qual a qualidade dos dados pode não ser a ideal. Inteligência Artificial necessita de grande quantidade de dados com origem conhecida e qualidade confiável para ter capacidade para fazer boas predições(50). Na área da saúde, os dados estruturados são gerados em maior quantidade que os dados não estruturados(51) e isso se refletiu no encontrado na revisão, já que o número de estudos em que os dados estruturados foram utilizados como base para análise de IA (n = 89) foi muito superior ao que usaram dados não estruturados.
Como indicado na seção de Resultados, os algoritmos supervisionados foram os mais encontrados nos estudos que participaram desta revisão (n = 92), em especial: Suport Vector Machine (n = 32), Random Forrest (n = 31), Regressão logística (n = 26), Redes Neurais (n = 13) e K-means (n = 10). Esta característica segue em consonância com os tipos de dados (estruturados) que se têm maior acesso nos sistemas de saúde e com o fato de que boa parte das pesquisas visavam a classificação de indivíduos. A alta representatividade dos algoritmos supervisionados nos estudos sobre dores crônicas também foi ressaltada na primeira revisão sobre o tema publicada em 2021(33) Tal revisão de escopo contou com 53 estudos, que priorizavam a descrição de quais métodos de Machine Learning e os tipos de dados que haviam sido utilizados. Diferentemente deste estudo, a revisão selecionou apenas estudos onde a origem da dor crônica era desconhecida, usou apenas 3 bases de dados e se limitou aos descritores “machine learning”, “pain” e “fibromyalgia”, o que reduziu sua abrangência.
Mais recentemente, Zhang et al.(34) (2023) publicaram uma revisão de escopo sobre o tema IA em dor. Diferentemente do nosso estudo, os autores selecionaram todos os tipos de dor. Apesar da estratégia de busca ter sido mais abrangente, não se atendo a dor crônica, os pesquisadores selecionaram apenas estudos de intervenção. A partir dos 30 artigos selecionados para a revisão, os autores encontraram uma maioria de estudos focados na avaliação da dor, seguido por abordagens baseadas em IA relacionadas à previsão da dor e ao suporte à decisão clínica e uma minoria de estudos sobre abordagens baseadas em IA relacionadas ao autogerenciamento da dor.
Apesar do grande potencial do uso da IA no contexto da APS para um melhor manejo da dor crônica, o uso automático de IA pode levar a interpretações preconceituosas e equivocadas de um conjunto de dados (viés algorítmico). No contexto da APS, onde diversidade é norma, é importante que os algoritmos sejam desenvolvidos, treinados e ajustados de maneira que evitem discriminações que possam levar a um manejo desigual entre grupos econômicos e sociais distintos no tratamento da dor. Em função das desigualdades e inequidades em saúde, é possível postular que subgrupos populacionais vulnerabilizados possam ter um menor acesso a essas novas tecnologias. Garantir que todos tenham acesso aos possíveis benefícios da IA é um enorme desafio para os governos nos próximos anos.
Também vale ressaltar que o uso de IA depende de grande quantidade de dados sensíveis dos pacientes, habitualmente armazenados no sistema de informação do Sistema Único de Saúde. Assim sendo, é preciso garantir que os dados estarão protegidos contra uso indevido. Visando garantir o uso ético de dados pessoais, foi criada em 2018 no Brasil a Lei Geral de Proteção de Dados Pessoais (LGPD), Lei nº 13.709/2018. Esta é a legislação brasileira que regula o tratamento de dados pessoais, tanto no ambiente online quanto offline, com o objetivo de proteger a privacidade e os direitos fundamentais dos cidadãos(52). Inspirada no Regulamento Geral sobre a Proteção de Dados (GDPR) da União Europeia, a LGPD estabelece regras para a coleta, armazenamento, uso, compartilhamento e eliminação de dados pessoais. É uma iniciativa que busca garantir a transparência no uso dos dados pessoais, protegendo os direitos de privacidade dos indivíduos e promovendo práticas responsáveis e éticas por parte das empresas no tratamento das informações(53).
Outro ponto a ser debatido e que merece atenção é o quanto a relação entre os profissionais de saúde e os pacientes podem sofrer impactos com a entrada desta nova tecnologia. Se a tecnologia substituir em vez de complementar o profissional, talvez leve o sistema de saúde a um processo de “desumanização”. Para que a IA seja uma aliada e não um problema, decisões governamentais devem regular seu uso para que beneficie a todos sem comprometer os valores fundamentais do cuidado em saúde.
Os resultados da pesquisa devem ser interpretados à luz de seus pontos fortes e limitações. Em termos dos pontos positivos, destaca-se que esta revisão foi abrangente, sem filtro de tempo ou idioma, em nove bases de dados (MEDLINE; LILACS; SPORTDiscus; SCOPUS; CENTRAL; Science Direct; IEEE Xplore; Association for Computing Machinery Digital Library and arXiv) de diferentes áreas. A busca foi realizada por dois autores independentes e um terceiro autor era solicitado para discordâncias. Foram ainda incluídos estudos extras que não se encontravam na busca inicial, mas estavam em referências de estudos encontrados. Outro ponto forte foi o fato de a estrutura desta revisão de escopo ter seguido as recomendações PRISMA-ScR, tornando sua metodologia mais robusta e facilitando a comparação com estudos internacionais.
Por outro lado, devemos ter cautela na interpretação dos achados, pois essa revisão de escopo foi desenvolvida para ser uma abrangente busca da literatura científica sobre o tema e não para avaliar a qualidade dos estudos encontrados ou para fazer uma síntese quantitativa dos resultados obtidos nos estudos originais. O pouco detalhamento metodológico e a ausência de uma avaliação formal da qualidade dos artigos são limitações deste estudo. Ainda, a busca da literatura, apesar de abrangente, é difícil em uma nova área como a Inteligência Artificial, pois as nomenclaturas ainda estão se consolidando para virar palavras-chaves e descritores científicos e a produção científica abrange diversas áreas interconectadas. Estimular padronização internacional nas publicações da área pode facilitar revisões futuras.
Em termos de desdobramentos deste estudo, pesquisas que se debrucem sobre intervenções clínicas devem ser o foco para os novos estudos de IA em dor crônica. No momento, estamos com um gama de estudos observacionais focando principalmente na predição e classificação de subgrupos. O próximo estágio é direcionar as novas pesquisas a utilizar esses preditores em ensaios clínicos controlados randomizados para estudar a eficácia de todo o processo. Esta será a pergunta a ser respondida pelos próximos estudos na área das dores crônicas: Será que o grupo que utiliza a estratégia baseada em IA tem resultados melhores em comparação com o grupo controle que utilizou a melhor estratégia atual (sem IA)?
Como visto, as potencialidades da utilização da Inteligência Artificial (IA) no manejo das dores crônicas são promissoras. Os algoritmos de IA têm demonstrado grande capacidade em classificar indivíduos com base no tipo de dor crônica e em predizer grupos de risco. Essas tecnologias oferecem novas possibilidades para um diagnóstico mais preciso e individualizado, bem como para o desenvolvimento de estratégias de tratamento personalizadas, que podem aumentar a eficácia terapêutica e a qualidade de vida dos pacientes com dores crônicas. No entanto, a implementação da IA nesse campo também enfrenta desafios importantes. A principal dificuldade reside na falta de estudos focados na Atenção Primária à Saúde. É necessário desenvolver estudos robustos que validem essas tecnologias em diferentes populações e ambientes de cuidado, garantindo que as soluções de IA sejam acessíveis, eficazes e seguras para todos os pacientes.
Por fim, o estudo encontrou resultados que indicam um avanço na área, principalmente no diagnóstico e previsão de dor, análise de atividade cerebral, intervenções personalizadas e tecnologia mobilidade e de sensores. Entretanto, apenas dois estudos foram ensaios clínicos controlados randomizados (47,48) voltados a estimar o efeito de uma intervenção (Terapia Cognitivo comportamental), indicando que é preciso estimular a realização de pesquisas com este foco para que se possa responder à pergunta se realmente a incorporação de IA modifica os desfechos mais importantes relacionados à dor crônica.
Conclusão
Os resultados encontrados em nosso estudo indicam que as potencialidades do uso de IA no manejo das dores crônicas são uma realidade. Trata-se de uma área fértil de geração de conhecimento, especialmente nos últimos anos. Considerando a diversidade de aplicações da IA nos diferentes cenários e populações e a heterogeneidade de seus usos, entendemos que há diversas possibilidades de melhorar o manejo dos indivíduos com dores crônicas, no qual seu tratamento hoje é de difícil solução. Revisões sistemáticas com perguntas específicas e com análises formais da qualidade dos estudos incluídos devem ser estimuladas. Ainda há importante carência de estudos na focados na APS, paradoxalmente o local com maior potencial para a aplicação de algoritmos de Inteligência Artificial e principal porta de entrada dos sistemas de saúde, inclusive o SUS, para pacientes com este quadro. Sendo assim, pesquisas com o foco no uso da tecnologia de ponta no auxílio na triagem, decisão clínica e manejo dos indivíduos com dores crônicas especialmente na APS devem ser incentivadas. Por fim, ressaltamos que nosso estudo pode ser considerado como o mais abrangente já feito na área das dores crônicas sobre o tema de Inteligência Artificial, servindo de referência para novas pesquisas com esse enfoque.
Figuras, quadros e suplementos - Repositório de dados Scielo Data: https://doi.org/10.48331/scielodata.QFMMDX

Referências
1. Cohen SP, Vase L, Hooten WM. Chronic pain: an update on burden, best practices, and new advances. The Lancet. 2021;397(10289):2082-97.
2. Collaborators G. Global, regional, and national incidence, prevalence, and years lived with disability for 354 diseases and injuries for 195 countries and territories, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017. 2018.
3. Vos T, Abajobir AA, Abate KH, Abbafati C, Abbas KM, Abd-Allah F, et al. Global, regional, and national incidence, prevalence, and years lived with disability for 328 diseases and injuries for 195 countries, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. The Lancet. 2017;390(10100):1211-59.
4. Raja S, Carr D, Cohen M, Finnerup N, Flor H, Gibson S, et al. The revised International Association for the Study of Pain definition of pain: concepts, challenges, and compromises. Pain. press doi. 2020;10.
5. Nicholas M, Vlaeyen JW, Rief W, Barke A, Aziz Q, Benoliel R, et al. The IASP classification of chronic pain for ICD-11: chronic primary pain. Pain. 2019;160(1):28-37.
6. Treede R-D, Rief W, Barke A, Aziz Q, Bennett MI, Benoliel R, et al. Chronic pain as a symptom or a disease: the IASP Classification of Chronic Pain for the International Classification of Diseases (ICD-11). Pain. 2019;160(1):19-27.
7. Bennett MI, Kaasa S, Barke A, Korwisi B, Rief W, Treede R-D. The IASP classification of chronic pain for ICD-11: chronic cancer-related pain. Pain. 2019;160(1):38-44.
8. Schug SA, Lavand'homme P, Barke A, Korwisi B, Rief W, Treede R-D. The IASP classification of chronic pain for ICD-11: chronic postsurgical or posttraumatic pain. Pain. 2019;160(1):45-52.
9. Scholz J, Finnerup NB, Attal N, Aziz Q, Baron R, Bennett MI, et al. The IASP classification of chronic pain for ICD-11: chronic neuropathic pain. Pain. 2019;160(1):53-9.
10. Benoliel R, Svensson P, Evers S, Wang S-J, Barke A, Korwisi B, et al. The IASP classification of chronic pain for ICD-11: chronic secondary headache or orofacial pain. Pain. 2019;160(1):60-8.
11. Aziz Q, Giamberardino MA, Barke A, Korwisi B, Baranowski AP, Wesselmann U, et al. The IASP classification of chronic pain for ICD-11: chronic secondary visceral pain. Pain. 2019;160(1):69-76.
12. Perrot S, Cohen M, Barke A, Korwisi B, Rief W, Treede R-D. The IASP classification of chronic pain for ICD-11: chronic secondary musculoskeletal pain. Pain. 2019;160(1):77-82.
13. Barke A, Korwisi B, Jakob R, Konstanjsek N, Rief W, Treede R-D. Classification of chronic pain for the International Classification of Diseases (ICD-11): results of the 2017 international World Health Organization field testing. Pain. 2022;163(2):e310-e8.
14. Joypaul S, Kelly F, McMillan SS, King MA. Multi-disciplinary interventions for chronic pain involving education: A systematic review. PloS one. 2019;14(10):e0223306.
15. Grossi E. How artificial intelligence tools can be used to assess individual patient risk in cardiovascular disease: problems with the current methods. BMC cardiovascular Disorders. 2006;6(1):1-6.
16. Kueper JK, Terry AL, Zwarenstein M, Lizotte DJ. Artificial intelligence and primary care research: a scoping review. The annals of family medicine. 2020;18(3):250-8.
17. Gunning D, Stefik M, Choi J, Miller T, Stumpf S, Yang G-Z. XAI—Explainable artificial intelligence. Science robotics. 2019;4(37):eaay7120.
18. Piette JD, Newman S, Krein SL, Marinec N, Chen J, Williams DA, et al. Artificial Intelligence (AI) to improve chronic pain care: Evidence of AI learning. Intelligence-Based Medicine. 2022:100064.
19. Mendes EV. As redes de atenção à saúde. Ciência & saúde coletiva. 2010;15:2297-305.
20. Mendes EV. A construção social da atenção primária à saúde. Brasília: Conselho Nacional de Secretários de Saúde. 2015;45.
21. Almeida ERd, Sousa ANAd, Brandão CC, Carvalho FFBd, Tavares G, Silva KC. Política Nacional de Atenção Básica no Brasil: uma análise do processo de revisão (2015–2017). Revista Panamericana de Salud Pública. 2018;42:e180.
22. McGowan J, Straus S, Moher D, Langlois EV, O'Brien KK, Horsley T, et al. Reporting scoping reviews—PRISMA ScR extension. Journal of clinical epidemiology. 2020;123:177-9.
23. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D, et al. PRISMA extension for scoping reviews (PRISMA-ScR): checklist and explanation. Annals of internal medicine. 2018;169(7):467-73.
24. Aromataris E, Munn Z. JBI manual for evidence synthesis. JBI: Adelaide, Australia. 2020.
25. Nephew BC, Incollingo Rodriguez AC, Melican V, Polcari JJ, Nippert KE, Rashkovskii M, et al. Depression predicts chronic pain interference in racially diverse, income-disadvantaged patients. Pain Medicine. 2022;23(7):1239-48.
26. Tsai P-F, Wang C-H, Zhou Y, Ren J, Jones A, Watts SO, et al. A classification algorithm to predict chronic pain using both regression and machine learning–A stepwise approach. Applied Nursing Research. 2021;62:151504.
27. Liew BX, Hartvigsen J, Scutari M, Kongsted A. Data-driven network analysis identified subgroup-specific low back pain pathways: a cross-sectional GLA: D Back study. Journal of Clinical Epidemiology. 2023;153:66-77.
28. Nijeweme-d’Hollosy WO, van Velsen L, Poel M, Groothuis-Oudshoorn CG, Soer R, Hermens H. Evaluation of three machine learning models for self-referral decision support on low back pain in primary care. International journal of medical informatics. 2018;110:31-41.
29. Fodeh SJ, Finch D, Bouayad L, Luther S, Kerns RD, Brandt C. Classifying Clinical Notes with Pain Assessment. Studies in Health Technology and Informatics. 2017;245:1261-.
30. Haug CJ, Drazen JM. Artificial intelligence and machine learning in clinical medicine, 2023. New England Journal of Medicine. 2023;388(13):1201-8.
31. Sarker M. Revolutionizing healthcare: the role of machine learning in the health sector. Journal of Artificial Intelligence General science (JAIGS) ISSN: 3006-4023. 2024;2(1):36-61.
32. Hasan F, Mudey A, Joshi A. Role of Internet of Things (IoT), Artificial Intelligence and Machine Learning in Musculoskeletal Pain: A Scoping Review. Cureus. 2023;15(4).
33. Jenssen MDK, Bakkevoll PA, Ngo PD, Budrionis A, Fagerlund AJ, Tayefi M, et al. Machine learning in chronic pain research: a scoping review. Applied Sciences. 2021;11(7):3205.
34. Zhang M, Zhu L, Lin S-Y, Herr K, Chi C-L, Demir I, et al. Using artificial intelligence to improve pain assessment and pain management: a scoping review. Journal of the American Medical Informatics Association. 2023;30(3):570-87.
35. Ichesco E, Peltier SJ, Mawla I, Harper DE, Pauer L, Harte SE, et al. Prediction of differential pharmacologic response in chronic pain using functional neuroimaging biomarkers and a support vector machine algorithm: an exploratory study. Arthritis & Rheumatology. 2021;73(11):2127-37.
36. Lee J, Mawla I, Kim J, Loggia ML, Ortiz A, Jung C, et al. Machine learning-based prediction of clinical pain using multimodal neuroimaging and autonomic metrics. pain. 2019;160(3):550.
37. Brown CA, Almarzouki AF, Brown RJ, Jones AK. Neural representations of aversive value encoding in pain catastrophizers. Neuroimage. 2019;184:508-19.
38. Robinson ME, O'Shea AM, Craggs JG, Price DD, Letzen JE, Staud R. Comparison of machine classification algorithms for fibromyalgia: neuroimages versus self-report. The Journal of Pain. 2015;16(5):472-7.
39. Santana AN, Cifre I, De Santana CN, Montoya P. Using deep learning and resting-state fMRI to classify chronic pain conditions. Frontiers in neuroscience. 2019;13:1313.
40. Rogachov A, Cheng JC, Hemington KS, Bosma RL, Kim JA, Osborne NR, et al. Abnormal low-frequency oscillations reflect trait-like pain ratings in chronic pain patients revealed through a machine learning approach. Journal of Neuroscience. 2018;38(33):7293-302.
41. Tu Y, Ortiz A, Gollub RL, Cao J, Gerber J, Lang C, et al. Multivariate resting-state functional connectivity predicts responses to real and sham acupuncture treatment in chronic low back pain. NeuroImage: Clinical. 2019;23:101885.
42. Lin Y-C, Yu N-Y, Jiang C-F, Chang S-H. Characterizing the SEMG patterns with myofascial pain using a multi-scale wavelet model through machine learning approaches. Journal of Electromyography and Kinesiology. 2018;41:147-53.
43. Golabchi FN, Sapienza S, Severini G, Reaston P, Tomecek F, Demarchi D, et al. Assessing aberrant muscle activity patterns via the analysis of surface EMG data collected during a functional evaluation. BMC musculoskeletal disorders. 2019;20:1-15.
44. Lin H-C, Wang Z, Hu Y-H, Simon K, Buu A. Characteristics of statewide prescription drug monitoring programs and potentially inappropriate opioid prescribing to patients with non-cancer chronic pain: A machine learning application. Preventive Medicine. 2022;161:107116.
45. Klemt C, Harvey MJ, Robinson MG, Esposito JG, Yeo I, Kwon YM. Machine learning algorithms predict extended postoperative opioid use in primary total knee arthroplasty. Knee Surgery, Sports Traumatology, Arthroscopy. 2022;30(8):2573-81.
46. Jones MR, Viswanath O, Peck J, Kaye AD, Gill JS, Simopoulos TT. A brief history of the opioid epidemic and strategies for pain medicine. Pain and therapy. 2018;7:13-21.
47. Piette JD, Newman S, Krein SL, Marinec N, Chen J, Williams DA, et al. Patient-centered pain care using artificial intelligence and mobile health tools: a randomized comparative effectiveness trial. JAMA Internal Medicine. 2022;182(9):975-83.
48. Piette JD, Newman S, Krein SL, Marinec N, Chen J, Williams DA, et al. Artificial Intelligence (AI) to improve chronic pain care: Evidence of AI learning. Intelligence-Based Medicine. 2022;6:100064.
49. Åström M, Thet Lwin ZM, Teni FS, Burström K, Berg J. Use of the visual analogue scale for health state valuation: A scoping review. Quality of Life Research. 2023;32(10):2719-29.
50. Haenlein M, Kaplan A. A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California management review. 2019;61(4):5-14.
51. de Moraes Batista AF, Chiavegatto Filho ADP. Machine Learning aplicado à Saúde. Sociedade Brasileira de Computação. 2019.
52. Frazão A, Oliva MD, TEPEDINO G. Lei Geral de Proteção de Dados Pessoais e suas repercussões no direito brasileiro: Thomson Reuters Brasil; 2019.
53. Rapôso CFL, de Lima HM, de Oliveira Junior WF, Silva PAF, de Souza Barros EE. Lgpd-lei geral de proteção de dados pessoais em tecnologia da informação: Revisão sistemática. RACE-Revista de Administração do Cesmac. 2019;4:58-67.