A saúde nos Estados Unidos está nos estágios iniciais de uma potencial interrupção significativa devido ao uso de aprendizado de máquina e inteligência synthetic. Esta mudança está em curso há mais de uma década, mas com os avanços recentes, parece preparada para mudanças mais rápidas. Ainda há muito trabalho a ser feito para compreender as aplicações mais seguras e eficazes da IA nos cuidados de saúde, para construir a confiança entre os médicos na utilização da IA e para ajustar o nosso sistema de educação clínica para impulsionar uma melhor utilização dos sistemas baseados em IA.
Aplicações de IA na área da saúde
A IA está em evolução há décadas na área da saúde, tanto nas funções voltadas para o paciente quanto nas de back-office. Alguns dos primeiros e mais extensos trabalhos ocorreram no uso de modelos de aprendizagem profunda e visão computacional.
Primeiro, alguma terminologia. As abordagens estatísticas tradicionais na investigação – por exemplo, estudos observacionais e ensaios clínicos – têm utilizado abordagens de modelização centradas na população que se baseiam em modelos de regressão, nos quais variáveis independentes são utilizadas para prever resultados. Nessas abordagens, embora mais dados sejam melhores, há um efeito de platô no qual, acima de um determinado tamanho do conjunto de dados, nenhuma inferência melhor pode ser obtida a partir dos dados.
A inteligência synthetic traz uma abordagem mais nova para a previsão. Uma estrutura chamada perceptron processa dados que são transmitidos uma linha por vez e é criada como uma rede de camadas de equações diferenciais para modificar os dados de entrada e produzir uma saída. Durante o treinamento, cada linha de dados que passa pela rede – chamada de rede neural – modifica as equações em cada camada da rede para que a saída prevista corresponda à saída actual. À medida que os dados de um conjunto de treinamento são processados, a rede neural aprende como prever o resultado.
Existem vários tipos de redes. As redes neurais convolucionais, ou CNNs, estiveram entre os primeiros modelos a obter sucesso em aplicações de saúde. As CNNs são muito boas em aprender a partir de imagens em um processo chamado visão computacional e encontraram aplicações onde os dados de imagem são proeminentes: radiologia, exames de retina e imagens de pele.
Um novo tipo de rede neural chamada arquitetura de transformador tornou-se uma abordagem dominante devido ao seu incrível sucesso para texto e combinações de texto e imagens (também chamados de dados multimodais). As redes neurais de transformadores são excepcionais quando recebem um conjunto de texto, na previsão do texto subsequente. Uma aplicação da arquitetura do transformador é o Giant Language Mannequin ou LLM. Vários exemplos comerciais de LLMs incluem Chat GPT, Anthropics Claude e Metas Llama 3.
O que tem sido observado com as redes neurais, em geral, é que tem sido difícil encontrar um patamar para melhoria na aprendizagem. Em outras palavras, com cada vez mais dados, as redes neurais continuam a aprender e a melhorar. Os principais limites à sua capacidade são conjuntos de dados cada vez maiores e o poder computacional para treinar os modelos. Na área da saúde, a criação de conjuntos de dados que protejam a privacidade e que representem fielmente os verdadeiros cuidados clínicos é uma prioridade basic para avançar no desenvolvimento de modelos.
Os LLMs podem representar uma mudança de paradigma na aplicação da IA na saúde. Devido à sua facilidade com a linguagem e o texto, eles combinam bem com registros eletrônicos nos quais quase todos os dados são texto. Eles também não exigem dados altamente anotados para treinamento, mas podem usar conjuntos de dados existentes. As duas principais falhas desses modelos são que 1) eles não têm um modelo de mundo ou uma compreensão dos dados que estão sendo analisados (eles são chamados de preenchimento automático sofisticado) e 2) eles podem alucinar ou confabular, inventando texto ou imagens que parecem precisas, mas criam informações apresentadas como fatos.
Os casos de uso explorados para IA incluem automação e aumento para leitura de imagens radiológicas, imagens de retina e outros dados de imagem; reduzir o esforço e melhorar a precisão da documentação clínica, uma importante fonte de esgotamento clínico; comunicação melhor e mais empática com o paciente; e melhorar a eficiência das funções administrativas, como ciclo de receitas, operações e faturamento.
Exemplos do mundo actual
A IA tem sido introduzida gradativamente nos cuidados clínicos em geral. Normalmente, o uso bem-sucedido da IA seguiu testes de desempenho revisados por pares que demonstraram sucesso e, em alguns casos, aprovação do FDA para uso.
Entre os primeiros casos de uso em que a IA tem um bom desempenho está a detecção de doenças em imagens de exames de retina e radiologia. Para exames de retina, a literatura publicada sobre o desempenho desses modelos foi seguida pela implantação de fundoscopia automatizada para detectar doenças da retina em ambientes ambulatoriais. Estudos de segmentação de imagens, com muitos sucessos publicados, resultaram em múltiplas soluções de software program que fornecem suporte à decisão para radiologistas, reduzindo erros e detectando anormalidades para tornar os fluxos de trabalho dos radiologistas mais eficientes.
Modelos mais recentes de grandes linguagens estão sendo explorados para auxiliar nos fluxos de trabalho clínicos. A voz ambiente está sendo usada para aprimorar o uso de Registros Eletrônicos de Saúde (EHRs). Atualmente, escribas de IA estão sendo implementados para auxiliar na documentação médica. Isso permite que os médicos se concentrem nos pacientes enquanto a IA cuida do processo de documentação, melhorando a eficiência e a precisão.
Além disso, os hospitais e os sistemas de saúde podem utilizar as capacidades de modelação preditiva da IA para estratificar o risco dos pacientes, identificando os pacientes que estão em risco elevado ou crescente e determinando o melhor curso de ação. Na verdade, as capacidades de detecção de clusters da IA estão a ser cada vez mais utilizadas em investigação e cuidados clínicos para identificar pacientes com características semelhantes e determinar o curso típico de acção clínica para eles. Isto também pode permitir ensaios clínicos virtuais ou simulados para determinar os cursos de tratamento mais eficazes e medir a sua eficácia.
Um caso de uso futuro pode ser o uso de modelos de linguagem baseados em IA na comunicação médico-paciente. Descobriu-se que esses modelos apresentam respostas válidas para pacientes que simulam conversas empáticas, facilitando o gerenciamento de interações difíceis. Esta aplicação de IA pode melhorar muito o atendimento ao paciente, fornecendo uma triagem mais rápida e eficiente das mensagens do paciente com base na gravidade de sua condição e mensagem.
Desafios e considerações éticas
Um desafio da implementação da IA nos cuidados de saúde é garantir a conformidade regulamentar, a segurança do paciente e a eficácia clínica ao utilizar ferramentas de IA. Embora os ensaios clínicos sejam o padrão para novos tratamentos, há um debate sobre se as ferramentas de IA devem seguir a mesma abordagem. Outra preocupação é o risco de violação de dados e comprometimento da privacidade do paciente. Grandes modelos de linguagem treinados em dados protegidos podem potencialmente vazar dados de origem, o que representa uma ameaça significativa à privacidade do paciente. As organizações de saúde devem encontrar formas de proteger os dados dos pacientes e evitar violações para manter a confiança e a confidencialidade. O preconceito nos dados de formação também é um desafio crítico que precisa de ser abordado. Para evitar modelos tendenciosos, devem ser introduzidos métodos melhores para evitar distorções nos dados de treinamento. É essential desenvolver abordagens formativas e académicas que permitam um melhor modelo de formação e incorporem a equidade em todos os aspectos dos cuidados de saúde para evitar preconceitos.
A utilização da IA abriu uma série de novas preocupações e fronteiras para a inovação. São necessários mais estudos sobre onde o verdadeiro benefício clínico pode ser encontrado no uso de IA. Para enfrentar estes desafios e preocupações éticas, as organizações prestadoras de cuidados de saúde e as empresas de software program devem concentrar-se no desenvolvimento de conjuntos de dados que modelem com precisão os dados de saúde, garantindo ao mesmo tempo o anonimato e protegendo a privacidade. Além disso, devem ser estabelecidas parcerias entre prestadores de cuidados de saúde, sistemas e empresas de tecnologia/software program para colocar em prática as ferramentas de IA de uma forma segura e ponderada. Ao enfrentar estes desafios, as organizações de saúde podem aproveitar o potencial da IA, ao mesmo tempo que defendem a segurança, a privacidade e a justiça dos pacientes.
