Potencial transformador de um modelo fundamental específico para cuidados de saúde

Nos últimos dois anos, modelos fundamentais generalistas como o GPT-4 evoluíram significativamente, oferecendo capacidades sem precedentes devido a conjuntos de dados maiores, tamanhos maiores de modelos e melhorias arquitetônicas. Esses modelos são adaptáveis ​​a uma ampla gama de tarefas em vários campos. No entanto, a IA em saúde ainda é caracterizada por modelos concebidos para tarefas específicas. Por exemplo, um modelo treinado para analisar raios X para fraturas ósseas apenas identificaria fraturas e não teria a capacidade de gerar relatórios radiológicos abrangentes. A maioria dos 500 Modelos de IA aprovados pela Food and Drug Administration estão limitados a um ou dois casos de uso. No entanto, os modelos básicos, conhecidos pela sua ampla aplicabilidade em diferentes tarefas, estão a preparar o terreno para uma abordagem transformadora nas aplicações de cuidados de saúde.

Embora tenha havido tentativas iniciais de desenvolver modelos fundamentais para aplicações médicas, esta abordagem mais ampla ainda não se tornou predominante na IA da saúde. Esta adoção lenta deve-se principalmente aos desafios associados ao acesso a grandes e diversos conjuntos de dados de saúde, bem como à necessidade de modelos para raciocinar entre diferentes tipos de dados médicos. A prática da saúde é inerentemente multimodal e incorpora informações de imagens, registros eletrônicos de saúde (EHRs), sensores, wearables, genômica e muito mais. Assim, um modelo de saúde fundamental também deve ser inerentemente multimodal. No entanto, o progresso recente nas arquitecturas multimodais e na aprendizagem auto-supervisionada, que pode lidar com vários tipos de dados sem necessitar de dados rotulados, está a abrir caminho para um modelo fundamental de cuidados de saúde.

Estado atual da IA ​​generativa na saúde

Os cuidados de saúde têm sido tradicionalmente lentos na adopção da tecnologia, no entanto, parece ter adoptado IA generativa mais rapidamente. Na HIMSS24, a maior conferência global para profissionais de tecnologia de saúde, a IA Generativa foi o ponto focal de quase todas as apresentações.

Um dos primeiros casos de uso de IA generativa na área da saúde que teve ampla adoção concentra-se em aliviar a carga administrativa da documentação clínica. Tradicionalmente, documentar as interações dos pacientes e os processos de atendimento consome uma parte substancial do tempo dos médicos (>2 horas por dia), muitas vezes prejudicando-os no atendimento direto ao paciente.

Modelos de IA como GPT-4 ou MedPalm-2 estão sendo usados ​​para monitorar dados de pacientes e interações médico-paciente para redigir documentos importantes, como notas de progresso, resumos de alta e cartas de encaminhamento. Esses rascunhos capturam informações essenciais com precisão, exigindo apenas revisão e aprovação médica. Isto reduz significativamente o tempo de burocracia, permitindo que os médicos se concentrem mais no atendimento ao paciente, melhorando a qualidade do serviço e reduzindo o esgotamento.

No entanto, as aplicações mais amplas dos modelos fundamentais nos cuidados de saúde ainda não se materializaram totalmente. Modelos fundacionais generalistas como o GPT-4 têm várias limitações; portanto, há necessidade de um modelo fundamental específico para a saúde. Por exemplo, o GPT-4 não tem a capacidade de analisar imagens médicas ou compreender dados longitudinais de pacientes, o que é fundamental para fornecer diagnósticos precisos. Além disso, não possui os conhecimentos médicos mais atualizados, pois foi treinado com dados disponíveis apenas até dezembro de 2023. O MedPalm-2 do Google representa a primeira tentativa de construir um modelo fundamental específico para a saúde, capaz de responder consultas médicas e raciocínio sobre imagens médicas. No entanto, ainda não captura todo o potencial da IA ​​na área da saúde.

Construindo um modelo fundamental de saúde

O processo de construção de um modelo fundamental de cuidados de saúde começa com dados derivados de fontes públicas e privadas, incluindo biobancos, dados experimentais e registos de pacientes. Este modelo seria capaz de processar e combinar diferentes tipos de dados, como texto com imagens ou resultados laboratoriais, para realizar tarefas médicas complexas.

Além disso, poderia raciocinar sobre novas situações e articular seus resultados em uma linguagem medicamente precisa. Esta capacidade estende-se à inferência e utilização de relações causais entre conceitos médicos e dados clínicos, especialmente ao fornecer recomendações de tratamento baseadas em dados observacionais. Por exemplo, poderia prever a síndrome do desconforto respiratório agudo devido a um trauma torácico grave recente e ao declínio dos níveis de oxigênio arterial, apesar de um aumento na oferta de oxigênio.

Além disso, o modelo acederia a informações contextuais de recursos como gráficos de conhecimento ou bases de dados para obter conhecimentos médicos atualizados, melhorando o seu raciocínio e garantindo que os seus conselhos refletem os mais recentes avanços na medicina.

Aplicações e impacto do modelo fundamental de saúde

Os usos potenciais de um modelo fundamental de saúde são extensos. No diagnóstico, tal modelo poderia reduzir a dependência da análise humana. Para o planejamento do tratamento, o modelo poderia ajudar na elaboração de estratégias de tratamento individualizadas, considerando todo o prontuário médico do paciente, detalhes genéticos e fatores de estilo de vida. Algumas outras aplicações incluem:

• Relatórios de radiologia aterrada: O modelo básico de saúde pode transformar a radiologia digital criando assistentes versáteis que apoiam os radiologistas, automatizando a elaboração de relatórios e reduzindo a carga de trabalho. Também seria capaz de integrar todo o histórico do paciente. Por exemplo, os radiologistas podem consultar o modelo sobre mudanças nas condições ao longo do tempo: “Você consegue identificar alguma mudança no tamanho do tumor desde o último exame?”
• Apoio à decisão clínica à beira do leito: Aproveitando o conhecimento clínico, ofereceria explicações e resumos de dados claros e em texto livre, alertando a equipe médica sobre os riscos imediatos dos pacientes e sugerindo os próximos passos. Por exemplo, o modelo de alerta na nuvem, “Aviso: Este paciente está prestes a entrar em choque”, e fornece links para resumos de dados relevantes e listas de verificação para ação.
• Descoberta de drogas: Projetar proteínas que se liguem específica e fortemente a um alvo é a base da descoberta de medicamentos. Os primeiros modelos, como o RFdiffusion, começaram a gerar proteínas com base em insumos básicos, como um alvo para ligação. Com base nesses modelos iniciais, um modelo fundamental específico para a saúde poderia ser treinado para compreender as sequências de linguagem e proteínas. Isso permitiria oferecer uma interface baseada em texto para projetar proteínas, potencialmente acelerando o desenvolvimento de novos medicamentos

Desafios

Embora a construção de um modelo fundamental específico para os cuidados de saúde continue a ser o objetivo final, e os avanços recentes o tenham tornado mais viável, ainda existem desafios significativos no desenvolvimento de um modelo único capaz de raciocinar sobre diversos conceitos médicos:

• Mapeamento de dados em múltiplas modalidades: O modelo deve ser treinado em várias modalidades de dados, como dados EHR, dados de imagens médicas e dados genéticos. O raciocínio sobre essas modalidades é desafiador porque é difícil obter dados de alta fidelidade que mapeiem com precisão as interações entre todas essas modalidades. Além disso, representar várias modalidades biológicas, desde a dinâmica celular até estruturas moleculares e interações genéticas em todo o genoma, é complexo. A formação ideal com base em dados humanos é inviável e antiética, pelo que os investigadores dependem de modelos animais ou linhas celulares menos preditivos, o que cria um desafio na tradução de medições laboratoriais para o funcionamento intrincado de organismos inteiros.
• Validação e Verificação: Os modelos fundamentais de saúde são difíceis de validar devido à sua versatilidade. Tradicionalmente, os modelos de IA são validados para tarefas específicas, como diagnosticar um tipo de câncer por meio de uma ressonância magnética. No entanto, os modelos fundamentais podem realizar tarefas novas e invisíveis, dificultando a antecipação de todos os modos de falha possíveis. Eles exigem explicações detalhadas sobre seus testes e casos de uso aprovados e devem emitir avisos para uso off-label. A verificação dos seus resultados também é complexa, uma vez que lidam com diversas entradas e saídas, exigindo potencialmente um painel multidisciplinar para garantir a precisão.
• Vieses Sociais: Estes modelos correm o risco de perpetuar preconceitos, uma vez que podem ser treinados em dados que sub-representam determinados grupos ou contêm correlações tendenciosas. Abordar estes preconceitos é crucial, especialmente à medida que a escala dos modelos aumenta, o que pode intensificar o problema.

Caminho para a frente

A IA generativa já começou a remodelar os cuidados de saúde, aliviando a carga de documentação dos médicos, mas todo o seu potencial ainda está por vir. O futuro dos modelos fundamentais na área da saúde promete ser transformador. Imagine um sistema de saúde onde os diagnósticos não sejam apenas mais rápidos, mas também mais precisos, onde os planos de tratamento sejam precisamente adaptados aos perfis genéticos de cada paciente e onde novos medicamentos possam ser descobertos em poucos meses, em vez de anos.

A criação de um modelo fundamental de IA específico para a saúde apresenta desafios, especialmente quando se trata de integrar os diversos e dispersos dados médicos e clínicos. No entanto, estes obstáculos podem ser abordados através de esforços colaborativos entre tecnólogos, médicos e decisores políticos. Ao trabalharmos juntos, podemos desenvolver estruturas comerciais que incentivem várias partes interessadas (EHRs, empresas de imagem, laboratórios de patologia, fornecedores) a unificar estes dados e construir arquiteturas de modelos de IA capazes de processar interações complexas e multimodais nos cuidados de saúde.

Além disso, é crucial que este avanço prossiga com uma bússola ética clara e quadros regulamentares robustos para garantir que estas tecnologias sejam utilizadas de forma responsável e equitativa. Ao manter elevados padrões de validação e justiça, a comunidade de saúde pode construir confiança e promover a aceitação entre pacientes e profissionais.

A jornada rumo à plena realização do potencial dos modelos fundamentais de cuidados de saúde é uma fronteira emocionante. Ao abraçar este espírito inovador, o sector da saúde pode antecipar não apenas a resposta aos desafios actuais, mas também a transformação da ciência médica. Estamos à beira de uma nova era ousada na área da saúde – repleta de possibilidades e impulsionada pela promessa da IA ​​de melhorar vidas à escala global.