Globant patrocinou a Duke Summit on AI for Health Innovation, organizada pela Duke AI Health e pela Duke Pratt School of Engineering no dia 9 de outubro de 2024. Este evento que durou três dias, reuniu médicos da Duke Health, professores da Duke University, engenheiros e inovadores, e também líderes do setor das grandes organizações como a Johnson & Johnson, LabCorp, IBM, NVIDIA, Mark III Systems e Globant para discutir o potencial da IA no futuro da saúde e os riscos e desafios associados a ela. Basia Coulter, sócia do Healthcare and Life Sciences Studio, compartilhou a experiência da Globant em projetar e construir soluções de IA para o setor da saúde e ciências da vida durante um painel de discussão sobre as experiências do setor com IA na área de saúde.
Entre as muitas apresentações, painéis de discussão e sessões de discussão, quatro temas se destacaram:
- Aplicações práticas da IA no setor da saúde
Os membros do painel e os palestrantes enfatizaram a importância da utilidade clínica e não apenas a validade técnica da IA. Veja a seguir alguns exemplos de aplicações práticas e úteis da IA no setor de saúde:
- Monitoramento da sepse: um modelo desenvolvido na Duke que prevê o início da sepse horas antes de ela se tornar crítica, ajudando os médicos a tomar medidas preventivas.
- Leitor automático de eletrocardiograma: modelos de IA que são bons o suficiente em um ambiente de departamento de emergência para determinar se uma pessoa está ou não tendo um ataque cardíaco (no entanto, essas ferramentas não são úteis para identificar diferentes tipos de arritmia ou outras sutilezas no eletrocardiograma).
- Extração de dados de SDOH: o uso de LLMs, como GPT-4 ou Llama 3.1, para extrair dados de SDOH de anotações clínicas não estruturadas para avaliação de transplante e autorizações prévias para cirurgia.
- Extração de dados para documentação clínica: Grandes Modelos de Linguagem (LLMs) são aplicados para extrair variáveis clínicas de anotações médicas não estruturadas para simplificar a entrada de dados, reduzir erros e permitir o intercâmbio de dados entre instituições. Eles também são usados para criar sistemas de preenchimento automático personalizados para cada paciente, ajudando os médicos a manter os registros de forma mais eficiente sem aumentar sua carga de trabalho.
- Otimização da utilização de recursos: modelos de IA que preveem quanto tempo uma sala de cirurgia será necessária, quanto tempo um determinado paciente permanecerá no hospital, quais suprimentos precisam ser reabastecidos ou substituídos e quando, etc.
- Vestíveis e biomarcadores digitais: a IA é usada para estabelecer a relação entre os resultados de saúde e os dados coletados continuamente com dispositivos vestíveis.
- Criando confiança na IA
A confiança foi identificada como uma barreira fundamental para a adoção da IA na área da saúde. Durante a cúpula, palestrantes, painelistas e participantes identificaram fatores que podem ajudar a criar confiança entre médicos e pacientes:
- Avaliação e monitoramento de modelos: a confiança pode ser construída garantindo uma avaliação rigorosa das ferramentas de IA e o monitoramento pós-implementação. Dessa forma, os médicos, os usuários finais e os pacientes podem verificar se os modelos de IA sempre funcionam conforme o esperado, tanto durante o treinamento quanto em ambientes do mundo real.
- Transparência e mitigação de vieses: tornar os modelos de IA mais transparentes, especialmente na forma como lidam com os dados de treinamento e com a tomada de decisões, ajuda a criar confiança. Embora o viés não possa ser completamente eliminado, as plataformas de código aberto para desenvolver e testar modelos podem ajudar a garantir a justiça e a precisão em diferentes grupos de pacientes. A mitigação do viés também pode ser obtida por meio de fluxos de trabalho nos quais os modelos de IA são implantados.
- Casos de uso claros: a IA deve resolver problemas tangíveis e se encaixar nos fluxos de trabalho existentes. As ferramentas de IA mais bem-sucedidas são aquelas que se concentram na extração de informações acionáveis, como os determinantes sociais dos dados de saúde dos registros de saúde, enquanto as menos úteis são aquelas ligadas a áreas como a previsão de riscos, que muitas vezes não têm medidas acionáveis associadas.
- Colaboração multifuncional e envolvimento das partes interessadas
A função da colaboração interdisciplinar foi destacada como um pré-requisito para projetar e desenvolver ferramentas de IA úteis que funcionem:
- Unir as disciplinas: a IA na área da saúde pode ser aplicada com sucesso quando especialistas em medicina, engenharia e outros campos colaboram. Foi sugerida a colaboração por projeto (quando a equipe ou a estrutura organizacional incentiva a colaboração) para unir as disciplinas.
- Humildade e curiosidade: a colaboração bem-sucedida requer disposição para fazer perguntas ingênuas e aprender uns com os outros. Estabelecer uma linguagem comum entre as disciplinas é essencial para promover a compreensão e a solução de problemas.
- Envolvimento das partes interessadas: envolver os usuários finais e as partes interessadas que são afetadas pelo uso de ferramentas de IA (como médicos, pacientes e cuidadores) no início do processo de desenvolvimento garante que as ferramentas de IA sejam projetadas para atender às necessidades do mundo real. As soluções que se adaptam aos fluxos de trabalho e desafios do mundo real têm maior probabilidade de sucesso.
- Desafios na implementação e adoção da IA
Foram discutidos vários desafios relacionados à implementação e à adoção da IA no setor de saúde:
- Qualidade e viés dos dados: A qualidade dos dados usados para treinar modelos de IA é crucial. O viés implícito nos dados e as alterações no conjunto de dados podem afetar gravemente o desempenho do modelo quando a distribuição dos dados usados para treinar um modelo difere da distribuição dos dados que o modelo encontra no mundo real. A avaliação contínua é necessária para evitar esses problemas.
- Integração da IA aos fluxos de trabalho: para uma adoção generalizada, as ferramentas de IA devem ser perfeitamente integradas aos fluxos de trabalho clínicos existentes. Se os fluxos de trabalho forem instáveis ou caóticos, a incorporação da IA poderá exacerbar os problemas existentes em vez de resolvê-los.
- Escalabilidade: a escalabilidade está surgindo como um grande desafio na implementação da IA na área da saúde, principalmente devido à necessidade de processar e gerenciar grandes quantidades de dados, quebrar os silos de dados existentes e promover a colaboração entre as disciplinas.
- Confiança e viabilidade: mesmo que um modelo funcione bem do ponto de vista técnico, ele também deve levar a resultados claros e viáveis. As ferramentas que não fornecem informações úteis e acionáveis têm menos probabilidade de serem adotadas pelos profissionais de saúde.
Os três dias de apresentações e discussões entre grupos interdisciplinares de especialistas mostraram que, embora a IA ofereça um potencial empolgante, ela precisa ser intencional, orientada para a ação e gerar confiança para melhorar de fato os resultados da saúde. Apesar dos desafios, o sentimento geral foi de otimismo.
A IA já está aqui e moldará o futuro do setor de saúde. Sua função não é substituir os seres humanos, mas eliminar defeitos, erros e desperdícios, ao mesmo tempo em que aumenta a cognição humana para permitir novos insights e descobertas que impulsionam tratamentos personalizados e melhores resultados para os pacientes.
Faça o download do relatório mais recente da Globant para descobrir como a convergência de análise de dados, IA e inovações centradas no usuário estão transformando as abordagens tradicionais de gerenciamento de saúde e criando experiências excepcionais para os pacientes.
