3 maneiras como a IA está revolucionando como as organizações de saúde atendem aos pacientes. Pode LLMs como o ChatGPT ajudar?

3 formas de IA revolucionando atendimento de saúde. LLMs como ChatGPT podem ajudar?

A digitalização dos cuidados de saúde tem sido um processo demorado, com a prática de cura associada, por razões óbvias, a formas mais antigas e cuidadosamente examinadas de fazer as coisas.

Mas cada vez mais, a inteligência artificial em várias formas está se infiltrando na clínica. Aplicações incluem análise preditiva, próteses inteligentes, diagnósticos móveis e implantes cerebrais. Além disso, com o surgimento de grandes modelos de linguagem (LLMs) como o ChatGPT, exploramos se essa tecnologia pode ajudar nos cuidados de saúde hoje.

Embora grande parte do trabalho seja na forma de estudos piloto, está claro que a IA desempenhará um papel importante na forma como os cuidados de saúde serão prestados nas próximas décadas.

Recurso Especial

Como a IA está transformando organizações em todos os lugares

Algumas das organizações mais eficazes do mundo estão colocando as últimas inovações em IA para trabalhar de maneiras inteligentes – e às vezes surpreendentes. Destacamos uma variedade de organizações em diferentes partes da economia para ver como elas estão automatizando, simplificando e transformando as formas como as coisas são feitas.

• 7 dicas avançadas para escrever prompts no ChatGPT que você precisa...
• IA generativa no comércio 5 maneiras pelas quais as indústrias estã...
• Células-tronco impressas em 3D podem ajudar no tratamento de lesões...

“A IA de aprendizado profundo finalmente passou por esse processo de infraestrutura técnica sendo implementada e os dados estando disponíveis para treiná-la, após anos de trabalho árduo”, disse Jeremy Howard, co-fundador da startup de pesquisa e educação em IA Fast.ai, e fundador da primeira empresa a aplicar aprendizado profundo à medicina, Enlitic.

Após todo esse esforço, “você deve esperar ver muito mais disso nos próximos anos”, o que significa IA aplicada à medicina, disse Howard em uma entrevista com ENBLE.

No momento, o estado da arte na aplicação da IA à medicina consiste em estudos em pequena escala que empregam uma variedade de formas de IA de aprendizado de máquina muito bem estabelecidas. Esses programas provaram seu valor ao longo de décadas. Eles estão finalmente sendo levados para a clínica e sendo aplicados a uma variedade de dados, desde leituras de atividade cerebral em tempo real até prontuários eletrônicos de saúde.

Ainda falta um pouco para os tipos mais novos de IA de aprendizado de máquina, como o ChatGPT da OpenAI. Essa tecnologia chama toda a atenção, mas é muito nova para ser confiável no âmbito sensível da clínica.

Desde já, o uso do aprendizado de máquina tem sido transformador para os pacientes participantes. Gert-Jan Oskam, vítima de um acidente de bicicleta de 40 anos, recebeu uma interface cérebro-computador inovadora que permitiu que ele ficasse em pé e andasse novamente. Ele disse à prestigiosa revista Nature que o dispositivo foi “transformador”.

“Na semana passada, havia algo que precisava ser pintado e não havia ninguém para me ajudar”, disse Oskam. “Então, eu peguei o andador e a tinta, e fiz isso sozinho enquanto estava em pé.”

1. Restaurando a funcionalidade com IA

Entre as vitórias mais dramáticas da IA na área de saúde estão os sucessos, ainda em número reduzido, com próteses de vários tipos para restaurar a funcionalidade em indivíduos com lesões graves.

Dê lugar, Elon Musk: a tão falada “interface cérebro-computador”, ou BCI, que Musk diz que colocará em testes clínicos, já foi alcançada pela equipe de Stanford em um exemplo impressionante de uso de formas cuidadosamente desenvolvidas de IA de aprendizado de máquina.

A “ponte digital”, desenvolvida por pesquisadores do departamento de engenharia mecânica de Stanford, roteia os sinais cerebrais contornando uma deficiência na medula espinhal usando sensores e tecnologia sem fio. O dispositivo restaura a capacidade de caminhar de Oskam, que tinha quase nenhuma capacidade de andar após uma lesão na medula espinhal causada por um acidente de bicicleta uma década antes.

Também: O MedPaLM do Google enfatiza os médicos humanos na IA médica

Os pesquisadores Henri Lorach e sua equipe descreveram na Nature em maio como eles implantaram uma “interface cérebro-medula espinhal” em Oskam. Ele tinha uso limitado das pernas após um programa de cinco meses de estimulação elétrica epidural da medula espinhal, com a capacidade de dar alguns passos com a ajuda de um andador.

Lorach e sua equipe implantaram dois dispositivos, cada um constituído por 64 eletrodos, sobre as partes de cada hemisfério do cérebro que são conhecidas por controlar o movimento. Esses sensores coletaram sinais conhecidos como eletrocorticografia, ou ECoG, que estão ligados às intenções de movimento. Os sinais ECoG foram captados sem fio através de um fone de ouvido impresso em 3D usado pelo paciente, que está conectado a um computador “base station” por meio de um cabo USB e é usado em uma mochila.

O computador da mochila decodifica os padrões ECoG em comandos que são então enviados sem fio para um terceiro dispositivo, implantado sobre a região “lombossacral” da coluna vertebral – pense em sua região lombar e cóccix. Chamado de “gerador de pulsos”, ele transforma os comandos em estimulação elétrica que “ativa os músculos que medeiam os movimentos pretendidos”.

O resultado é que o paciente foi capaz de “recuperar o controle intuitivo sobre os movimentos de suas pernas, dando-lhe a capacidade de ficar em pé, caminhar, subir escadas e até mesmo percorrer terrenos complexos”, relatou Lorach e sua equipe. Os vídeos que acompanham o relatório mostram o paciente levantando-se de uma posição sentada e caminhando, nesse caso com o computador da estação base em um andador em vez de uma mochila.

É importante perceber que isso não se trata apenas de implantes de sensores cerebrais. Os algoritmos de aprendizado de máquina que Lorach e sua equipe desenvolveram para interpretar os sinais cerebrais de intenção de movimento são um elemento-chave.

Usando uma abordagem conhecida como “algoritmo de aprendizado supervisionado adaptativo online”, o programa é ajustado à medida que o paciente tenta repetidamente mover primeiro os membros de um avatar na tela e depois um exoesqueleto.

O software combina várias vertentes da ciência do aprendizado de máquina, incluindo uma “mistura de especialistas”, onde comandos diferentes controlam membros diferentes, e então o que é chamado de “modelo oculto de Markov”, um tipo de algoritmo usado há décadas. O processamento da intenção de movimento é feito em tempo real, à medida que o paciente se move. Mais detalhes sobre o algoritmo podem ser encontrados em um artigo anterior da equipe de 2022.

Cientistas estão descobrindo muitas outras maneiras de coletar sinais do cérebro e decodificá-los por meio do aprendizado de máquina para restaurar a funcionalidade.

Também: A Amazon AWS lança o HealthScribe para transcrever conversas de médicos

No mês passado, os pesquisadores Sean Metzger e sua equipe, do Departamento de Cirurgia Neurológica da Universidade da Califórnia em São Francisco, relataram na Nature um decodificador de fala que gerou uma voz para uma vítima de derrame de 47 anos que ficou muda quase vinte anos antes.

O chamado decodificador de fala multimodal também usou um detector ECoG implantado para decodificar “frases pretendidas” a partir de sinais em áreas da córtex sensorimotor do cérebro. Essa área é responsável por “movimentos tentados dos lábios, língua e mandíbula”. Os sinais são decodificados em representações do “trato vocal” que podem então ser convertidas em múltiplos tipos de saída: texto em uma tela, áudio gerado de palavras faladas e movimentos de um avatar falando.

A chave, mais uma vez, não são apenas os sensores, mas também os algoritmos de aprendizado de máquina. Os sinais do ECoG das tentativas de trato vocal foram alimentados em outro tipo de algoritmo de aprendizado de máquina testado e comprovado, conhecido como “rede neural recorrente bidirecional” ou “RNN”, um programa usado há muito tempo para modelar dados de séries temporais, dados que medem as mesmas variáveis em diferentes pontos no tempo para identificar tendências. A RNN foi inicialmente ajustada para antecipar várias frases pré-definidas que o paciente estava tentando falar (que foram mostradas ao paciente em uma tela) – isso é uma forma de correlacionar a atividade cerebral a um conjunto definido de saída.

No entanto, após duas semanas de treinamento desse tipo, a RNN estava produzindo texto espontâneo a partir de frases não solicitadas que o paciente estava tentando pronunciar. O programa foi capaz de gerar até 78 palavras por minuto. Isso foi várias vezes mais rápido do que as 14 palavras por minuto que o paciente havia sido capaz de produzir com seu dispositivo assistivo existente, um aparelho de rastreamento de cabeça em que o paciente tinha que fazer um sinal com a cabeça para selecionar palavras em uma tela, semelhante ao que o falecido físico Stephen Hawking usava.

Da mesma forma, a RNN foi capaz de ser treinada para interpretar o ECoG e corresponder a uma forma de onda, que poderia então acionar um vocoder para gerar fala. Após duas semanas de ajuste do sistema com o paciente, o “sistema de neuroprótese da fala” desenvolvido mostrou resultados impressionantes, a ponto de “acreditarmos… que esses resultados ultrapassaram um limiar importante de desempenho, generalização e expressividade que em breve poderá trazer benefícios práticos para pessoas com perda de fala”, escreve Metzger e equipe.

2. IA pode tornar diagnósticos médicos portáteis

Um dos principais obstáculos dos diagnósticos médicos é que eles exigem que os pacientes façam uma viagem a uma instalação médica, onde os testes podem ser administrados usando equipamentos gigantescos e os dados examinados manualmente por especialistas treinados. Mas algumas novas tentativas de diagnóstico estão usando formas de IA com aprendizado de máquina para tirar o assunto da clínica.

Considere estudos do sono, que geralmente envolvem uma estadia de sete horas em uma instalação, conectado a eletrodos e monitorado durante a noite por uma equipe. Seria possível fazer isso em casa, com um telefone e algumas adesivos colados?

Uma equipe no Georgia Institute of Technology em Atlanta, Geórgia, criou adesivos de sono sem fio feitos de silicone com circuitos flexíveis incorporados, como relatado recentemente na prestigiada revista Science. Os adesivos utilizam aprendizado de máquina para medir os dados do sono em vez de ter um técnico ao vivo monitorando o paciente durante a noite.

Os adesivos podem ser fixados no rosto pelo paciente em casa, um na testa e outro no queixo. Eles coletam dados para eletroencefalogramas (EEG) e eletrooculogramas (EOG), dois tipos de medições usadas para detectar apneia do sono. Os adesivos podem ser usados por vários dias seguidos, ao contrário dos eletrodos à base de gel usados em uma clínica do sono.

Os adesivos transmitem os dados de EEG e EOG via Bluetooth para um dispositivo móvel ao lado da cama, e o dispositivo móvel usa o que é chamado de “rede neural convolucional” ou “CNN”, um trabalho básico de aprendizado de máquina. Com uma CNN, os dados representados como um espectro de atividade podem ser analisados para detectar apneia do sono.

O autor principal Shinjae Kwon e sua equipe descobriram em testes com oito indivíduos que “o desempenho do sistema mostra uma alta precisão de 88,52%” na detecção de apneia obstrutiva do sono. Além disso, a detecção dos adesivos domésticos e da CNN mostrou “alta concordância” com a detecção de 82,4% produzida pelos estudos do sono baseados em clínicas conhecidos como “polissonografia”.

Também: Elon Musk diz que o implante cerebral Neuralink está próximo de testes em humanos

Kwon e sua equipe esperam realizar um estudo em grande escala do sistema, e estão ampliando as capacidades dos sensores para detectar outros indicadores de apneia do sono, incluindo saturação de oxigênio no sangue, dióxido de carbono e movimentos.

Dado que o dispositivo móvel está organizando e filtrando os dados da CNN, o esforço de Kwok e sua equipe aponta para uma tendência muito maior: coletar e analisar dados no campo com IA em um dispositivo móvel. Automatizando a medição que geralmente acontece manualmente por técnicos especializados, alguns diagnósticos podem ser estendidos além das paredes da clínica.

Um estudo de 2021 de uma equipe da Universidade Stanford liderada por Chayakrit Krittanawong listou mais de uma dúzia de exemplos de monitoramento cardíaco de saúde vestível de nível do consumidor, além do monitoramento de ECG do Apple Watch. Eles incluem óculos da OrCam Technologies em Israel e palmilhas de sapato da MEGAComfort.

Esses dispositivos vestíveis produzem “biosinais”, que a equipe define como “sinais fisiológicos que podem ser medidos e monitorados continuamente para fornecer informações sobre atividade elétrica, química e mecânica”. O aprendizado de máquina é um bom candidato para agregar, analisar e interpretar todos esses dados.

Krittanawong e sua equipe relatam estudos em pequena escala com 100 indivíduos que usaram adesivos vestíveis com sensores descartáveis ​​usados no peito do sujeito. O sensor, alimentado por uma bateria descartável, detectou vários dados da pele do sujeito, incluindo formas de onda de eletrocardiograma, temperatura da pele e postura do sujeito. Todos esses dados foram transmitidos continuamente via Bluetooth sem fio para um telefone celular e depois enviados para a nuvem para análise usando aprendizado de máquina.

Os adesivos foram usados como alternativa a dispositivos de monitoramento cardíaco implantáveis ​​para prever o risco de hospitalização por insuficiência cardíaca. Com a análise em nuvem, os adesivos e dispositivos móveis apresentaram um nível de sensibilidade e especificidade que correspondia aos monitores implantáveis ​​de grau médico tradicionais.

3. Melhor análise preditiva para a segurança do paciente

Entre os usos mais amplamente implantados de IA até o momento em configurações clínicas reais está o uso de algoritmos preditivos – programas que podem prever coisas como a chance de readmissão hospitalar de um paciente. Eles frequentemente usam dados de prontuários eletrônicos de saúde (EHRs), já que esses registros são uma fonte prontamente disponível de vastas quantidades de dados.

Um estudo realizado este ano pela Escola de Medicina da Universidade de Utah descobriu “ampla adoção de IA em operações clínicas atuais” com base em dados de EHR, de acordo com o autor principal David Classen e sua equipe.

No entanto, essas ferramentas preditivas têm tido uma precisão questionável. Um estudo de 2021 do software Epic para sepse realizado pela Escola de Medicina da Universidade de Michigan encontrou taxas extremamente baixas de precisão na previsão de sepse da ferramenta, levantando dúvidas sobre sua utilidade na prática.

Isso sugere que os pesquisadores precisam de melhores maneiras de deduzir o que um EHR está lhes dizendo com todos esses dados.

Em um exemplo da vanguarda da análise preditiva, cientistas da Escola de Medicina da Universidade Stanford reuniram EHRs de 22.104 pares de mães e seus recém-nascidos, vincularam os registros e obtiveram o que descrevem como uma maior capacidade de prever a mortalidade em nascimentos prematuros, a principal causa de morte de crianças menores de 5 anos.

O trabalho de Davide de Francesco e sua equipe, publicado em fevereiro na Science Translational Medicine, usou características contidas nos prontuários de saúde da mãe para prever os resultados neonatais. O objetivo principal é obter uma imagem mais precisa da mortalidade infantil do que o punhado de características normalmente usadas, conhecido como “Aparência, Pulso, Careta, Atividade e Respiração” ou escore de Apgar no momento do nascimento.

Em vez disso, os pesquisadores alimentaram múltiplos pontos de dados de múltiplas consultas da mãe antes do parto em outro tipo de algoritmo de aprendizado de máquina testado ao longo do tempo, chamado de “memória de longo prazo” ou “LSTM”, usado, assim como as RNNs, para juntar dados de séries temporais. O LSTM foi treinado para correlacionar códigos para coisas como procedimentos maternos, medicamentos e observações que antecedem o nascimento com as condições no prontuário médico neonatal do bebê, como hipotensão ou sepse.

Os autores encontraram um aumento significativo na capacidade de prever os resultados relatados do bebê em comparação com a avaliação tradicional de risco.

Especificamente, o programa LSTM foi capaz de generalizar um risco mais alto de algumas condições maternas. “Entre esses códigos fortemente associados aos resultados neonatais estavam […] dependência de opioides em remissão, hemorragia fetal-materna, várias doenças cardíacas congênitas”, relatam.

Além disso, eles também conseguiram identificar algumas coisas que protegem um recém-nascido prematuro nas semanas e meses seguintes ao nascimento.

“Medições laboratoriais notáveis que sugerem uma associação protetora contra resultados neonatais incluem albumina sérica, proteína sérica, plaquetas, basófilos, linfócitos e eosinófilos”, escrevem eles. “Esses dados sugerem que há uma interação entre o sistema imunológico materno uma semana antes do parto e a saúde relativa do feto que se estende para o período neonatal e além”.

O trabalho feito em Stanford sugere que, à medida que modelos de aprendizado profundo sofisticados substituem sistemas preditivos relativamente primitivos, há muito mais informações apenas esperando para serem decifradas.

Grandes modelos de linguagem (LLMs) na área de saúde?

Os métodos de IA de aprendizado de máquina discutidos acima – RNNs, CNNs, LSTMs e modelos ocultos de Markov – são todos abordagens de IA relativamente estabelecidas que existem há décadas. A novidade é que eles estão sendo implantados agora com novos níveis de sofisticação e com novos dados.

Mas e quanto aos algoritmos realmente novos em aprendizado profundo, como a “IA generativa” que está em alta, como o ChatGPT da OpenAI?

Ainda é muito, muito cedo para a IA generativa na medicina e na área da saúde. A IA na forma de grandes modelos de linguagem está gradualmente entrando no campo em estudos piloto, retardada por preocupações com coisas como as “alucinações” dos modelos de linguagem, ou seja, sua propensão a afirmar informações falsas.

Na verdade, um estudo realizado pela Weill Cornell Medicine em agosto relatou que “LLMs podem ser suscetíveis a gerar resumos factualmente inconsistentes e fazer afirmações excessivamente convincentes ou incertas, levando a possíveis danos devido a informações incorretas”.

O criador do ChatGPT, OpenAI, de fato disse à revista Nature Medicine que “seus modelos não devem ser usados para diagnósticos médicos, triagem ou para lidar com questões que representem risco de vida”.

Os riscos e as questões éticas da IA generativa significam que muitos obstáculos regulatórios estão pela frente.

Em julho, os cientistas Bertalan Meskó do Instituto Futurista Médico da Hungria e Eric Topol do Instituto Translacional de Pesquisa Scripps escreveram um artigo de visão geral no qual observaram que “as LLMs oferecem um tremendo potencial para o futuro da saúde, mas seu uso também envolve riscos e desafios éticos”.

Meskó e Topol preveem que os reguladores irão “criar uma nova categoria regulatória para as LLMs, pois elas são distintamente diferentes das tecnologias médicas baseadas em IA que já passaram por regulamentação”.

“Certamente parece ser extremamente útil”, diz Jeremy Howard sobre a IA generativa, “mas muito difícil de implementar de maneira rigorosa que se encaixe nas restrições e processos atuais no sistema médico dos EUA”.

Howard prevê que, apesar das limitações, a IA generativa pode ter valor no preenchimento da lacuna de habilidades médicas.

“A maioria da população mundial não tem acesso a médicos em quantidade suficiente”, disse ele. “Pode se resumir a: você gostaria de ter um agente de saúde comunitário com seis meses de treinamento na utilização efetiva deste sistema de IA ou nada?”

---

• artificial intelligence
• Innovation