A lucidez sintético (IA) tem promovido grandes avanços nos cuidados de saúde em diversas áreas. Desde a precisão diagnóstica até o suporte a tratamentos personalizados, passando pela automação de tarefas administrativas e o empoderamento dos pacientes na tomada de decisões, a IA vem se integrando rapidamente aos fluxos de trabalho do setor.
Esses avanços não somente aliviam a trouxa dos profissionais de saúde, mas também ampliam o aproximação a tecnologias inovadoras, beneficiando tanto especialistas quanto o público em universal.
O termo IA engloba diversas tecnologias, incluindo o aprendizagem de máquina (machine learning, ML), que utiliza algoritmos e modelos estatísticos para aprender e se harmonizar com base em dados. O aprendizagem profundo (deep learning), uma subárea do ML, refina modelos pré-treinados para realizar tarefas complexas, uma vez que reconhecimento de imagens e fala.
Aliás, a IA generativa cria novos conteúdos por meio de modelos gerativos, uma vez que ferramentas de produção de texto. Grandes modelos de linguagem (Large Language Models, LLMs), uma vez que o ChatGPT, representam um marco significativo, gerando textos inéditos e similares aos produzidos por humanos a partir de grandes volumes de dados.
O aprendizagem de máquina pode ser descrito uma vez que uma abordagem matemática para o reconhecimento de padrões, uma vez que a retorno, que aprimora sua precisão conforme mais dados são processados. Entre as técnicas comuns estão árvores de decisão, gradient boosting e redes neurais. Estas últimas formam a base do aprendizagem profundo, que utiliza múltiplas camadas de reconhecimento de padrões para explorar dados complexos, uma vez que imagens médicas.
Um marco no aprendizagem profundo foi o desenvolvimento das redes neurais convolucionais, entre 2010 e 2012, permitindo uma classificação detalhada de imagens. Essa tecnologia impulsionou avanços uma vez que a estudo de radiografias de tórax para prever riscos cardiovasculares, ampliando o uso de exames de rotina para novas aplicações.
IA generativa na prática médica
A IA generativa cria conteúdos inéditos, uma vez que imagens ou textos, por meio de refinamento iterativo a partir de comandos específicos. Apesar de promissora, apresenta limitações, incluindo a possibilidade de gerar resultados imprecisos ou fictícios, conhecidos uma vez que “alucinações”.
Na saúde, a IA generativa já demonstra utilidade em diversas áreas:
- Radiologia: estudo de exames uma vez que radiografias, ultrassom, tomografias computadorizadas (TC) e ressonâncias magnéticas (RM) para detectar anormalidades.
- Patologia: identificação de padrões em lâminas histopatológicas para diagnósticos, uma vez que cancro.
- Detecção Precoce: avaliação de dados clínicos para identificar sinais iniciais de doenças, uma vez que diabetes, doenças cardiovasculares, insuficiência respiratória e cancro.
- Prontuários: automatização do registro médico, com geração de notas clínicas e resumos.
- Automação de Fluxo de Trabalho: redução de tarefas administrativas, uma vez que agendamentos, faturamento e documentações.
- Tarefas Repetitivas: otimização do tempo dos profissionais de saúde, permitindo que se concentrem em cuidados diretos ao paciente.
- Invenção de Novas Drogas: identificação de alvos biológicos (uma vez que proteínas ou genes) e geração de novas moléculas.
- Pesquisa Clínica: planejamento e monitoramento de estudos clínicos, estudo de dados e automatização de tarefas administrativas relacionadas.
Outras aplicações incluem cirurgia robótica, monitoramento por dispositivos vestíveis (wearables), saúde mental, telemedicina, ensino médica e combate a epidemias.
Na hematologia, a IA auxilia na estudo de lâminas digitais preparadas a partir de coletas de sangue ou medula óssea, identificando células normais e anomalias, uma vez que células leucêmicas ou alterações nos glóbulos vermelhos. Essas ferramentas fornecem suporte para decisões clínicas, sugerindo possíveis diagnósticos ou destacando áreas de interesse em lâminas para revisão pelo hematologista. Aliás, sistemas baseados em IA classificam cromossomos na citogenética e identificam padrões em citometria de fluxo, contribuindo para a classificação de subtipos de doenças, uma vez que leucemias e linfomas, com maior rapidez e precisão.
Embora promissora, a implementação da IA exige rigor para prometer precisão e confiabilidade. A possibilidade de “alucinações” preocupa profissionais e instituições, tornando forçoso a supervisão humana, além de regulação e controle dessas tecnologias.
Construindo a crédito dos pacientes na IA
Pacientes expressam preocupações quanto ao uso da IA, uma vez que erros diagnósticos, privacidade de dados e redução da interação humana. Para superar essas barreiras, é crucial substanciar que a IA é uma instrumento de esteio, e não um substituto, no processo galeno. Exemplos práticos, uma vez que sistemas que verificam interações medicamentosas ou agilizam o atendimento em emergências, demonstram seus benefícios diretos.
Prometer que os profissionais de saúde continuem no núcleo das decisões clínicas é vital para preservar a relação humana na medicina e tranquilizar os pacientes. Aliás, o monitoramento rigoroso do desenvolvimento de modelos de IA – desde a coleta de dados até sua emprego – é fundamental para prometer que sejam éticos, representativos e seguros. Embora a IA possa revolucionar diagnósticos e tratamentos, enfrenta desafios uma vez que privacidade, viés algorítmico e falta de transparência.
Epílogo
A IA representa uma oportunidade transformadora na saúde, mas sua integração deve ser orientada pela transparência, moral e foco no paciente. Uma vez que instrumento de suporte, ela amplia o potencial inovador dos profissionais de saúde, preservando a empatia e o desvelo humano que são essenciais à prática médica.
*Texto escrito pelo hematologista Phillip Scheinberg (CRM – 87.226), dirigente da Hematologia da BP – A Beneficência Portuguesa de São Paulo e membro do Brazil Health
Fiscalização de sangue usa IA para prever Parkinson