Potencial Transformador de um Modelo Fundacional de Saúde Específico

Nos últimos dois anos, modelos fundacionais generalistas, como o GPT-4, evoluíram significativamente, oferecendo capacidades sem precedentes devido a conjuntos de dados maiores, tamanhos de modelo aumentados e melhorias arquitetônicas. Esses modelos são adaptáveis a uma ampla gama de tarefas em vários campos. No entanto, a inteligência artificial em saúde ainda é caracterizada por modelos projetados para tarefas específicas. Por exemplo, um modelo treinado para analisar radiografias de fraturas ósseas apenas identificaria fraturas e careceria da capacidade de gerar relatórios radiológicos abrangentes. A maioria dos 500 modelos de IA aprovados pela Administração de Alimentos e Medicamentos é limitada a um ou dois casos de uso. No entanto, os modelos fundacionais, conhecidos por sua ampla aplicabilidade em diferentes tarefas, estão criando um cenário para uma abordagem transformadora em aplicações de saúde.

Embora tenham havido tentativas iniciais de desenvolver modelos fundacionais para aplicações médicas, essa abordagem mais ampla ainda não se tornou prevalente na inteligência artificial em saúde. Essa adoção lenta é principalmente devido aos desafios associados ao acesso a grandes e diversificados conjuntos de dados de saúde, bem como à necessidade de que os modelos raciocinem sobre diferentes tipos de dados médicos. A prática da saúde é intrinsicamente multimodal e incorpora informações de imagens, registros eletrônicos de saúde (RES), sensores, dispositivos portáteis, genômica e mais. Portanto, um modelo fundacional de saúde também deve ser intrinsicamente multimodal. No entanto, o progresso recente em arquiteturas multimodais e aprendizado auto-supervisionado, que pode lidar com vários tipos de dados sem necessidade de dados rotulados, está abrindo caminho para um modelo fundacional de saúde.

Estado Atual da IA Gerativa em Saúde

A saúde tradicionalmente tem sido lenta em adotar tecnologia, no entanto, parece ter abraçado a IA Gerativa mais rapidamente. Na conferência HIMSS24, a maior conferência global para profissionais de tecnologia em saúde, a IA Gerativa foi o foco de quase todas as apresentações.

Um dos primeiros casos de uso da IA Gerativa em saúde que viu uma adoção generalizada se concentra em aliviar a carga administrativa da documentação clínica. Tradicionalmente, documentar interações de pacientes e processos de cuidado consome uma parte substancial do tempo dos médicos (> 2 horas por dia), frequentemente distraindo-os do cuidado direto ao paciente.

Modelos de IA como o GPT-4 ou o MedPalm-2 estão sendo usados para monitorar dados de pacientes e interações médico-paciente para criar projetos de documentos-chave, como notas de progresso, resumos de alta e cartas de referência. Esses projetos capturam informações essenciais com precisão, exigindo apenas revisão e aprovação do médico. Isso reduz significativamente o tempo de papelada, permitindo que os médicos se concentrem mais no cuidado ao paciente, melhorando a qualidade do serviço e reduzindo o esgotamento.

No entanto, as aplicações mais amplas dos modelos fundacionais em saúde ainda não se concretizaram completamente. Modelos fundacionais generalistas como o GPT-4 têm várias limitações; portanto, há uma necessidade de um modelo fundacional específico de saúde. Por exemplo, o GPT-4 carece da capacidade de analisar imagens médicas ou entender dados longitudinais de pacientes, o que é crítico para fornecer diagnósticos precisos. Além disso, ele não possui o conhecimento médico mais atualizado, pois foi treinado em dados disponíveis apenas até dezembro de 2023. O MedPalm-2 da Google representa a primeira tentativa de construir um modelo fundacional específico de saúde, capaz de responder a consultas médicas e raciocinar sobre imagens médicas. No entanto, ele ainda não captura o potencial total da IA em saúde.

Construindo um Modelo Fundacional de Saúde

O processo de construir um modelo fundacional de saúde começa com dados derivados de fontes públicas e privadas, incluindo biobancos, dados experimentais e registros de pacientes. Esse modelo seria capaz de processar e combinar diferentes tipos de dados, como texto com imagens ou resultados de laboratório, para realizar tarefas médicas complexas.

Além disso, ele poderia raciocinar sobre novas situações e articular suas saídas em linguagem médica precisa. Essa capacidade se estende à inferência e utilização de relações causais entre conceitos médicos e dados clínicos, especialmente ao fornecer recomendações de tratamento com base em dados observacionais. Por exemplo, ele poderia prever a síndrome de dificuldade respiratória aguda a partir de trauma torácico severo recente e níveis decrescentes de oxigênio arterial, apesar do aumento do suprimento de oxigênio.

Além disso, o modelo acessaria informações contextuais de recursos como grafos de conhecimento ou bancos de dados para obter conhecimento médico atualizado, melhorando seu raciocínio e garantindo que seus conselhos refletam os últimos avanços em medicina.

Aplicações e Impacto do Modelo Fundacional de Saúde

Os usos potenciais para um modelo fundacional de saúde são extensos. No diagnóstico, tal modelo poderia reduzir a dependência da análise humana. Para o planejamento de tratamento, o modelo poderia auxiliar na criação de estratégias de tratamento personalizadas, considerando o histórico médico completo do paciente, detalhes genéticos e fatores de estilo de vida. Outras aplicações incluem:

• Relatórios de Radiologia Baseados em Evidências: O modelo fundacional de saúde pode transformar a radiologia digital, criando assistentes versáteis que apoiam radiologistas, automatizando a criação de relatórios e reduzindo a carga de trabalho. Ele também poderia integrar a história completa do paciente. Por exemplo, radiologistas podem consultar o modelo sobre mudanças nas condições ao longo do tempo: “Posso identificar alguma mudança no tamanho do tumor desde a última varredura?”
• Apoio à Decisão Clínica na Beira do Leito: Utilizando conhecimento clínico, ele ofereceria explicações claras e resumos de dados, alertando a equipe médica sobre riscos imediatos do paciente e sugerindo as próximas etapas. Por exemplo, o modelo poderia alertar, “Aviso: Este paciente está prestes a entrar em choque,” e fornecer links para resumos de dados relevantes e listas de verificação para ação.
• Descoberta de Medicamentos: Projetar proteínas que se liguem especificamente e fortemente a um alvo é a base da descoberta de medicamentos. Modelos iniciais, como o RFdiffusion, começaram a gerar proteínas com base em entradas básicas, como um alvo de ligação. Construindo sobre esses modelos iniciais, um modelo fundacional específico de saúde poderia ser treinado para entender tanto linguagem quanto sequências de proteínas. Isso permitiria que ele oferecesse uma interface baseada em texto para projetar proteínas, potencialmente acelerando o desenvolvimento de novos medicamentos.

Desafios

Embora construir um modelo fundacional específico de saúde permaneça como o objetivo final, e os avanços recentes o tornaram mais viável, ainda existem desafios significativos no desenvolvimento de um modelo capaz de raciocinar sobre conceitos médicos diversificados:

• Mapeamento de Múltiplas Modalidades: O modelo deve ser treinado em várias modalidades de dados, como dados de RES, imagens médicas e dados genéticos. Raciocinar sobre essas modalidades é desafiador, pois obter dados de alta fidelidade que mapeiam interações precisas em todas essas modalidades é difícil. Além disso, representar várias modalidades biológicas, desde dinâmica celular até estruturas moleculares e interações genéticas em todo o genoma, é complexo. O treinamento ótimo em dados humanos é inviável e antiético, então os pesquisadores dependem de modelos animais ou linhas celulares menos previsíveis, o que cria um desafio na tradução de medidas de laboratório para o funcionamento intricado de organismos inteiros.
• Validação e Verificação: Modelos fundacionais de saúde são desafiadores de validar devido à sua versatilidade. Tradicionalmente, modelos de IA são validados para tarefas específicas, como diagnosticar um tipo de câncer a partir de uma ressonância magnética. No entanto, modelos fundacionais podem realizar tarefas novas e não vistas, tornando difícil antecipar todos os modos de falha possíveis. Eles exigem explicações detalhadas de seus testes e casos de uso aprovados e devem emitir avisos para uso off-label. Verificar suas saídas também é complexo, pois lidam com entradas e saídas diversificadas, potencialmente exigindo um painel multidisciplinar para garantir a precisão.
• Vieses Sociais: Esses modelos arriscam perpetuar vieses, pois podem ser treinados em dados que subrepresentam certos grupos ou contêm correlações enviesadas. Abordar esses vieses é crucial, especialmente à medida que a escala dos modelos aumenta, o que pode intensificar o problema.

Caminho à Frente

A IA Gerativa já começou a redefinir a saúde, aliviando a carga de documentação sobre os clínicos, mas seu potencial total está à frente. O futuro dos modelos fundacionais em saúde promete ser transformador. Imagine um sistema de saúde onde os diagnósticos não são apenas mais rápidos, mas também mais precisos, onde os planos de tratamento são personalizados para os perfis genéticos de pacientes individuais, e onde novos medicamentos poderiam ser descobertos em poucos meses em vez de anos.

Criar um modelo de IA fundacional específico de saúde apresenta desafios, especialmente quando se trata de integrar os dados médicos e clínicos diversificados e dispersos. No entanto, esses obstáculos podem ser abordados por meio de esforços colaborativos entre tecnólogos, clínicos e formuladores de políticas. Trabalhando juntos, podemos desenvolver estruturas comerciais que incentivem vários stakeholders (RES, empresas de imagens, laboratórios de patologia, prestadores de serviços) a unificar esses dados e construir arquiteturas de modelos de IA capazes de processar interações complexas e multimodais dentro da saúde.

Além disso, é crucial que esse avanço prossiga com um compasso ético claro e estruturas regulatórias robustas para garantir que essas tecnologias sejam usadas de forma responsável e equitativa. Mantendo padrões altos de validação e justiça, a comunidade de saúde pode construir confiança e fomentar aceitação entre pacientes e profissionais de saúde.

A jornada em direção à plena realização do potencial dos modelos fundacionais de saúde é uma fronteira emocionante. Ao abraçar esse espírito inovador, o setor de saúde pode antecipar não apenas atender aos desafios atuais, mas transformar a ciência médica. Estamos à beira de uma nova era ousada em saúde – uma era repleta de possibilidades e impulsionada pela promessa da IA para melhorar vidas em escala global.