Para Transformar a Saúde e as Ciências da Vida, a IA Deve Ser Confiável

A inteligência artificial (IA) está se tornando rapidamente uma parte integrante das organizações de saúde e ciências da vida. No entanto, a maioria das organizações está usando a IA de forma limitada, em vez de escalá-la para melhorar significativamente o desempenho em toda a empresa. Entre os desafios, a IA nesses setores deve atender aos mais altos padrões de qualidade, privacidade e confiabilidade, e deve ser confiável.

As ferramentas de IA baseadas em modelos de linguagem grande (LLM) são poderosas, mas a maioria dos LLMs não é projetada para atender às demandas das operações de saúde e ciências da vida. Eles podem produzir saídas inconsistentes, e seu desempenho pode variar à medida que as informações e o contexto mudam. A IA de propósito geral, em particular, é treinada em dados amplos e públicos, com curação médica limitada, e não é construída para atender aos requisitos médicos, científicos ou regulatórios.

Esses problemas são inaceitáveis em operações onde as decisões têm não apenas consequências financeiras, mas também clínicas, científicas, legais e, em última análise, humanas.

O bottom line: é necessário um padrão mais alto de IA.

Se as organizações de saúde e ciências da vida quiserem usar a IA para transformar suas operações comerciais e regulamentadas, elas precisam de uma IA confiável.

O que é necessário para criar uma IA confiável

Uma IA confiável produz resultados confiáveis, executa consistentemente à medida que os dados mudam e é compatível e defensável.

Para alcançar isso, é necessário tanto expertise científica quanto técnica, bem como uma abordagem rigorosa que considere todos os aspectos do design, uso e monitoramento responsáveis da IA. Como isso se parece na prática?

O primeiro passo é entender o objetivo final: qual é o requisito do usuário final que a solução de IA deve atender, e como o sucesso se parece? Isso envolve entender os papéis daqueles que usarão a solução de IA, suas necessidades e fluxos de trabalho, e os objetivos comerciais que eles desejam alcançar ou os requisitos regulatórios que devem cumprir.

Esses detalhes ajudarão a informar decisões técnicas importantes, como escolher os modelos apropriados para a solução de IA, projetar estruturas de validação e estabelecer as métricas contra as quais a solução será medida.

Sistemas confiáveis também consideram o especialista no loop desde o início do processo de design, e não como uma afterthought. Isso envolve usar especialistas humanos, incluindo especialistas clínicos, científicos, regulatórios e comerciais, para ajudar a garantir que a solução de IA seja projetada e implantada corretamente e para considerar como a solução afetará o trabalho de um usuário final.

É claro que a confiança não é apenas conquistada na etapa de design – ela deve ser mantida ao longo da vida da solução de IA. Mecanismos como flywheels de dados de IA, ou loops de aprendizado que continuamente atualizam os modelos com novos dados para mantê-los atualizados, ajudam as soluções de IA a permanecer relevantes, precisas e confiáveis. Aprendizado reforçado e guardrails programados nas soluções de IA também podem ajudar a manter o desempenho no trilho dentro de um conjunto definido de regras.

Aplicações no mundo real

A IA já está sendo adotada e confiada, e está fazendo um impacto em casos de uso do mundo real para algumas das maiores empresas de ciências da vida do mundo.

Em um caso, uma empresa farmacêutica líder buscou melhorar como ela engajava profissionais de saúde (PS) em várias marcas e mercados. A capacidade da empresa de engajar PS e otimizar estratégias de marketing foi dificultada por desafios como problemas de gerenciamento de dados, falta de insights de nível de cliente e dificuldades de adaptação.

A empresa implementou uma solução de engajamento omnichannel. Ela combinou sinais preditivos para engajamentos de PS com recomendações de “próxima melhor ação” que ajudaram as equipes a decidir como dar seguimento e quais ações de acompanhamento tomar. A empresa viu uma melhoria quatro vezes maior em sua capacidade de identificar pacientes de alto valor, juntamente com aumentos de 20% e 36% na iniciação de novos pacientes para duas de suas marcas.

Outro exemplo está em revisões de literatura necessárias para o desenvolvimento de medicamentos. Realizar essas revisões pode levar meses e exigir expertise de domínio profundo, planejamento meticuloso, esforço manual significativo e mais. Elas também podem ser difíceis de escalar e suscetíveis a erros.

As soluções de IA podem automatizar grandes partes das revisões de literatura, desde o desenvolvimento do protocolo até a pesquisa e a triagem, extração de dados e análise e relatórios. Para qualquer trabalho que a solução de IA realize, os pesquisadores ou outros podem revisar a lógica por trás de cada decisão.

Agora, com a IA, revisões que antes levavam meses podem ser concluídas em apenas dias e com menos erros. Em um caso, uma solução de IA ajudou uma grande empresa farmacêutica a alcançar uma triagem inicial para um caso de uso de revisão de literatura científica sete vezes mais rápido do que o processo manual tradicional. Isso reduziu o tempo de triagem estimado de 20 dias para menos de três dias.

A IA também está criando novas possibilidades nesse campo. Por exemplo, ela permitiu que as empresas criassem “revisões vivas” que podem ser atualizadas continuamente com os dados mais recentes publicados.

Colaboração é essencial

Criar soluções de IA confiáveis para a saúde e as ciências da vida exige uma combinação de expertise que nenhuma organização pode fornecer sozinha. É por isso que empresas com mentalidade semelhante estão colaborando, reunindo o conhecimento técnico e de domínio e as capacidades necessárias para criar sistemas de IA completos e validados que possam ser escalados em ambos os fluxos de trabalho regulamentados e comerciais.

O parceiro técnico certo, por exemplo, traz profundidade de engenharia e experiência extensa para implantar e executar a IA em escala empresarial. Eles podem fornecer modelos abertos para fornecer a transparência que a IA confiável precisa e componentes de software que permitem a construção mais rápida de soluções de IA. E sua experiência em criar soluções de IA confiáveis para outras indústrias pode ajudá-los a antecipar desafios e fortalecer os designs.

No lado do domínio, um colaborador eficaz traz não apenas expertise clínica e de desenvolvimento e comercialização profunda, mas também um histórico comprovado de desenvolvimento de soluções de IA confiáveis. Eles têm os ingredientes essenciais necessários para criar essas soluções, como expertise em ciência de dados, conhecimento regulatório e um histórico de uso seguro e responsável de dados. Mas eles também podem oferecer mais para apoiar a implantação da IA, desde a disposição de desafiar benchmarks públicos para garantir que a solução de IA atenda às expectativas, até recursos como engenheiros implantados que podem ajudar a integrar as soluções de IA nos fluxos de trabalho dos usuários finais, levando em conta as configurações de sistema de TI e as políticas únicas do usuário final.

Mudando como o trabalho é feito

A IA não é apenas outra ferramenta para as organizações de saúde e ciências da vida. Feita corretamente, ela muda como o trabalho é realizado e como os problemas são resolvidos. A IA confiável, em particular, já está provando que pode encurtar prazos, melhorar a precisão e ajudar as equipes a lidar com desafios complexos de forma mais ágil, reimaginando os fluxos de trabalho para a era da IA.

À medida que a IA passa de gerar insights para tomar decisões e executar fluxos de trabalho complexos, as organizações que abraçam essa evolução serão capazes de liberar novos modelos operacionais que as tornem mais eficientes, mais informadas e mais responsivas às demandas em rápida mudança na saúde e nas ciências da vida.