BRIDGING EFFICIENCY AND INTERPRETABILITY: EXPLAINABLE EDGE AI FOR CLINICAL DECISION-MAKING IN MEDICAL TELEMETRY
Resumo
A crescente adoção da telemetria médica e do monitoramento remoto de pacientes tem transformado a assistência à saúde ao possibilitar a observação contínua de sinais fisiológicos em ambientes reais. Nesse contexto, a Edge AI emerge como uma abordagem promissora para o processamento local de dados, reduzindo a latência e a dependência de infraestruturas em nuvem, especialmente em cenários com recursos limitados. No entanto, a maioria dos modelos baseados em edge opera como “caixas-pretas”, limitando sua transparência e dificultando a adoção clínica. Este estudo apresenta uma revisão sistemática, seguindo as diretrizes PRISMA, sobre métodos de XAI aplicados a sistemas de Edge AI em telemetria médica. A análise evidencia um trade-off persistente entre eficiência computacional e interpretabilidade, com a maioria das abordagens privilegiando desempenho em detrimento da explicabilidade. Do ponto de vista clínico, os resultados ressaltam que dados de telemetria isolados são insuficientes para apoiar decisões médicas, sendo necessária a integração com raciocínio clínico e informações contextuais do paciente. Além disso, o estudo discute os riscos associados a vieses algorítmicos e cognitivos, bem como os desafios impostos por infraestrutura limitada e capacitação profissional, particularmente em sistemas de saúde em desenvolvimento. Os resultados revelam uma lacuna crítica no desenvolvimento de modelos integrados, leves e interpretáveis, adequados para implementação em ambientes reais. A superação dessa lacuna é essencial para avançar na criação de inteligência artificial confiável, escalável e clinicamente relevante na saúde.
