Como os Dados dos Pacientes Estão Impulsionando o Futuro da Saúde

A corrida da IA na área da saúde está cada vez mais se afastando da questão de saber se as máquinas podem gerar informações médicas e avançando para uma questão mais consequente: o que acontece quando a IA pode trabalhar com os dados dos pacientes que clínicos e pesquisadores já possuem?

Três desenvolvimentos recentes apontam para a direção que essa mudança pode estar tomando.

Primeiro, a OpenAI conectou recentemente o ChatGPT for Healthcare a dados de prontuário eletrônico Epic, trazendo contexto clínico específico do paciente para um fluxo de trabalho de IA e potencialmente reduzindo o tempo que os clínicos gastam buscando em registros médicos fragmentados.  

Em seguida, a PurpleLab, uma empresa de dados e análise de saúde, acabou de lançar o CARES, uma iniciativa para apoiar pesquisas usando sua vasta quantidade de dados de saúde do mundo real. 

E, finalmente, pesquisadores da Harvard Medical School desenvolveram um modelo de IA que usa registros de saúde existentes e informações genéticas para estimar o risco de centenas de doenças.

Considerados em conjunto, eles sugerem o que muitos no setor de saúde especulam há bastante tempo: que os dados dos pacientes podem ser um dos ativos mais valiosos da indústria de saúde para a inovação no cuidado. 

Vamos analisar mais detalhadamente cada um desses recentes avanços nos dados dos pacientes. 

Dos EHRs aos Assistentes de IA

Em 1º de setembro, a OpenAI anunciou uma integração Epic para ChatGPT for Healthcare que permite que organizações de saúde autorizadas tragam informações dos pacientes para fluxos de trabalho assistidos por IA.

A integração pode ajudar os clínicos a revisar informações como notas médicas, medicações, resultados de laboratório e encontros anteriores sem precisar montar manualmente o histórico do paciente a partir de diferentes partes do registro. 

O sistema é somente leitura, o que significa que a IA não modifica independentemente o registro médico.

Essa distinção é importante. A oportunidade imediata não é substituir o EHR ou permitir que um sistema de IA tome decisões por conta própria. É reduzir o tempo que os clínicos gastam encontrando e sintetizando informações.

A OpenAI também está conectando o ChatGPT for Healthcare a fontes públicas oficiais, incluindo PubMed, ClinicalTrials.gov, DailyMed e dados do CMS. 

A ideia maior é a combinação do contexto do paciente com evidências médicas externas no mesmo fluxo de trabalho.

Tornando Dados do Mundo Real Mais Úteis para a Pesquisa

A PurpleLab, uma empresa de dados e análise que se concentra, entre outras coisas, em Evidência do Mundo Real (RWE) e Dados do Mundo Real (RWD) no setor de saúde, lançou recentemente o Center for Advancing Real-World Evidence Studies, ou CARES, com foco em ajudar pesquisadores, instituições acadêmicas, redes de evidência e comunidades de pacientes a usar dados do mundo real de forma mais eficaz.

A importância vai além de simplesmente disponibilizar mais dados. 

Pesquisadores de saúde há muito enfrentam problemas relacionados a definições inconsistentes, conjuntos de dados fragmentados e dificuldade em reproduzir estudos anteriores.

O CARES foi concebido em torno de pesquisa reprodutível, métodos transparentes, parcerias acadêmicas e pesquisa centrada no paciente. 

A PurpleLab afirma que os pesquisadores podem trabalhar com seus conjuntos de dados do mundo real para estudar padrões de tratamento, resultados e custos de saúde em áreas como oncologia, cardiologia, saúde mental e doenças raras.

Se bem-sucedidas, iniciativas como esta podem ajudar a transformar informações de saúde geradas rotineiramente em evidências que respondam a perguntas que estudos clínicos tradicionais nem sempre conseguem abordar rapidamente.

“A evidência do mundo real é mais forte quando é rigorosa, revisada por pares e compartilhada abertamente. Com o PurpleLab CARES, estamos demonstrando o que nossos dados podem fazer nas mãos de pesquisadores, parceiros acadêmicos e comunidades de pacientes,” Scott DuVall, Vice‑Presidente Sênior de Evidência do Mundo Real na PurpleLab, disse em um comunicado da empresa. 

Prevendo Doenças Antes que Elas Apareçam

Na Harvard, equipes de pesquisa estão transformando dados de pacientes em motores de previsão. 

Um modelo de aprendizado de máquina desenvolvido por pesquisadores do Dana-Farber Cancer Institute e do Massachusetts General Hospital pode estimar o risco de um paciente para 348 doenças usando prontuários eletrônicos (EHRs) coletados rotineiramente juntamente com informações de risco genético.

O modelo, chamado Aladynoulli, foi treinado e validado usando dados de mais de 683,000 registros de pacientes de três biobancos. 

Os pesquisadores dizem que ele pode atualizar dinamicamente as avaliações de risco à medida que o paciente envelhece.

Seu potencial é significativo. Em vez de encarar o histórico médico apenas como um registro do que já aconteceu, a IA poderia cada vez mais usá‑lo para identificar padrões associados ao que pode acontecer a seguir.

Mas é aqui que a cautela é essencial. O modelo foi até agora avaliado usando dados históricos de pacientes, e mais pesquisas são necessárias antes de determinar como ele se comporta em ambientes clínicos reais.

O Verdadeiro Desafio é a Confiança

O futuro da IA na saúde pode, portanto, depender menos de quão impressionante um algoritmo parece e mais de se os dados que o sustentam são precisos, representativos, seguros e governados de forma responsável.

Os dados dos pacientes podem revelar padrões que são difíceis para os humanos identificarem ao longo de anos de histórico médico. Mas esses mesmos registros contêm algumas das informações mais sensíveis que uma pessoa gera.

À medida que as organizações de saúde conectam prontuários eletrônicos, bases de dados de pesquisa e sistemas de IA, a questão central não será simplesmente se a IA pode extrair mais valor dos dados dos pacientes.

Será se o sistema de saúde pode fazer isso sem perder a confiança dos pacientes.

Esse equilíbrio entre informação aprimorada e uso responsável pode, em última análise, determinar até que ponto a IA sai do laboratório de pesquisa e se incorpora ao cotidiano da saúde.