Desbloqueando Novas Possibilidades em Saúde com IA

A saúde nos Estados Unidos está nos estágios iniciais de uma significativa perturbação potencial devido ao uso de Aprendizado de Máquina e Inteligência Artificial. Essa mudança está em andamento por mais de uma década, mas com os recentes avanços, parece estar preparada para mudanças mais rápidas. Muito trabalho ainda precisa ser feito para entender as aplicações mais seguras e eficazes da IA na saúde, para construir confiança entre os clínicos no uso da IA e para ajustar nosso sistema de educação clínica para impulsionar um melhor uso de sistemas baseados em IA.

Aplicações de IA em Saúde

A IA está em evolução por décadas na saúde, tanto em funções voltadas para o paciente quanto em funções de back-office. Alguns dos primeiros e mais extensos trabalhos ocorreram no uso de modelos de visão computacional e aprendizado profundo.

Primeiramente, alguns termos. As abordagens estatísticas tradicionais em pesquisa – por exemplo, estudos observacionais e ensaios clínicos – usaram abordagens de modelagem focadas na população que dependem de modelos de regressão, nos quais variáveis independentes são usadas para prever resultados. Nesses enfoques, 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 artificial traz uma nova abordagem para previsão. Uma estrutura chamada de percéptron processa dados que são passados adiante uma linha de cada vez e é criada como uma rede de camadas de equações diferenciais para modificar os dados de entrada, para produzir uma saída. Durante o treinamento, cada linha de dados à medida que passa pela rede – chamada de rede neural – modifica as equações em cada camada da rede para que a saída prevista corresponda à saída real. À medida que os dados em um conjunto de treinamento são processados, a rede neural aprende como prever o resultado.

Vários tipos de redes existem. Redes neurais convolucionais, ou CNNs, foram entre os primeiros modelos a encontrar sucesso em aplicações de saúde. As CNNs são muito boas em aprender com 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 tipo de rede neural mais novo chamado arquitetura transformer se tornou uma abordagem dominante devido ao seu incrível sucesso para texto e combinações de texto e imagens (também chamadas de dados multimodais). Redes neurais transformer são excepcionais quando dadas um conjunto de texto, ao prever texto subsequente. Uma aplicação da arquitetura transformer é o Modelo de Linguagem Grande ou LLM. Múltiplos exemplos comerciais de LLMs incluem Chat GPT, Anthropics Claude e Metas Llama 3.

O que foi observado com redes neurais, em geral, é que um platô para melhoria no aprendizado foi difícil de encontrar. Em outras palavras, dado mais e mais dados, as redes neurais continuam a aprender e melhorar. Os principais limites de suas capacidades são conjuntos de dados cada vez maiores e o poder de processamento para treinar os modelos. Na saúde, a criação de conjuntos de dados que protegem a privacidade e representam com fidelidade a atenção clínica real é uma prioridade-chave para avançar no desenvolvimento de modelos.

Os LLMs podem representar uma mudança de paradigma na aplicação de IA para a saúde. Por causa de sua habilidade com linguagem e texto, eles são uma boa combinação com registros eletrônicos nos quais quase todos os dados são texto. Eles também não requerem dados altamente anotados para treinamento, mas podem usar conjuntos de dados existentes. Os dois principais defeitos desses modelos são que 1) eles não têm um modelo de mundo ou compreensão dos dados que estão sendo analisados (eles foram chamados de autocomplete sofisticado), e 2) eles podem alucinar ou confabular, inventando texto ou imagens que parecem precisos, mas criam informações apresentadas como fatos.

Casos de uso que estão sendo explorados para IA incluem automação e aumento para a leitura de imagens de radiologia, imagens de retina e outros dados de imagem; reduzir o esforço e melhorar a precisão da documentação clínica, uma grande fonte de queimadura de clínicos; melhor comunicação de paciente mais empática; e melhorar a eficiência de funções de back-office como ciclo de receita, operações e faturamento.

Exemplos do Mundo Real

A IA foi introduzida de forma incremental na atenção clínica como um todo. Tipicamente, o uso bem-sucedido de IA seguiu ensaios revisados por pares de desempenho que demonstraram sucesso e, em alguns casos, aprovação da FDA para uso.

Entre os primeiros casos de uso nos quais a IA se sai bem estão a detecção de doenças em imagens de exame 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 de retina em ambulatórios. Estudos de segmentação de imagem, com muitos sucessos publicados, resultaram em múltiplas soluções de software que fornecem suporte de decisão para radiologistas, reduzindo erros e detectando anormalidades para tornar os fluxos de trabalho de radiologistas mais eficientes.

Novos grandes modelos de linguagem estão sendo explorados para assistência com fluxos de trabalho clínicos. A voz ambiente está sendo usada para melhorar o uso de Registros Eletrônicos de Saúde (EHRs). Atualmente, os escribas de IA estão sendo implementados para ajudar 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, hospitais e sistemas de saúde podem usar as capacidades de modelagem preditiva da IA para estratificar riscos de pacientes, identificando pacientes que estão em alto ou crescente risco e determinando o melhor curso de ação. De fato, as capacidades de detecção de cluster da IA estão sendo cada vez mais usadas em pesquisa e atenção clínica para identificar pacientes com características semelhantes e determinar o curso clínico típico para eles. Isso também pode permitir ensaios clínicos virtuais ou simulados para determinar os cursos de tratamento mais eficazes e medir sua eficácia.

Um caso de uso futuro pode ser o uso de modelos de linguagem baseados em IA na comunicação médico-paciente. Esses modelos foram encontrados para ter respostas válidas para pacientes que simulam conversas empáticas, tornando mais fácil gerenciar interações difíceis. Essa aplicação de IA pode melhorar significativamente a atenção ao paciente, fornecendo uma triagem mais rápida e eficiente das mensagens de pacientes com base na gravidade de sua condição e mensagem.

Desafios e Considerações Éticas

Um desafio com a implementação de IA na saúde é garantir a conformidade regulatória, a segurança do paciente e a eficácia clínica ao usar 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 violações de dados e comprometimento da privacidade do paciente. Modelos de linguagem grandes 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 maneiras de proteger os dados do paciente e prevenir violações para manter a confiança e a confidencialidade. O viés nos dados de treinamento também é um desafio crítico que precisa ser abordado. Para evitar modelos tendenciosos, melhores métodos para evitar viés nos dados de treinamento devem ser introduzidos. É crucial desenvolver abordagens de treinamento e acadêmicas que permitam um melhor treinamento de modelos e incorporem equidade em todos os aspectos da saúde para evitar viés.

O uso de IA abriu uma série de novas preocupações e fronteiras para inovação. Mais estudos sobre onde o verdadeiro benefício clínico pode ser encontrado no uso de IA são necessários. Para abordar esses desafios e preocupações éticas, as organizações de prestação de serviços de saúde e as empresas de software devem se concentrar em desenvolver conjuntos de dados que modelam com precisão os dados de saúde, garantindo anonimato e protegendo a privacidade. Além disso, parcerias entre prestadores de serviços de saúde, sistemas e empresas de tecnologia/software devem ser estabelecidas para trazer ferramentas de IA para a prática de forma segura e pensada. Ao abordar esses desafios, as organizações de saúde podem aproveitar o potencial da IA, mantendo a segurança do paciente, a privacidade e a justiça.