Uma nova tábua de salvação para um sistema médico sobrecarregado

À medida que a população mundial continua a crescer e a envelhecer, os sistemas de saúde em muitas regiões estão inchados e à beira do colapso. Segundo a Organização Mundial de Saúde, o número actual de profissionais de saúde, incluindo médicos, radiologistas e outros especialistas, não é suficiente para fazer face ao número crescente de infecções. Além disso, o aumento do stress e do esgotamento causado pelo rápido aumento do número de infecções fez com que muitas pessoas se retirassem do campo, reduzindo ainda mais o número de praticantes. A Becker Health estima que cerca de 72 mil médicos norte-americanos se reformarão entre 2021 e 2022 e que os cerca de 30 mil novos empregos que serão contratados não serão suficientes para satisfazer a procura crescente.

Essencialmente, ambos os desafios de aumentar o volume de pacientes e diminuir a força de trabalho deixam um grande impacto: um declínio na qualidade dos cuidados aos pacientes. É aqui que entra a IA geradora de buzz, economizando tempo e recursos valiosos da equipe médica para que possam se concentrar na melhoria dos resultados clínicos.

Entenda o potencial da IA ​​generativa

Em primeiro lugar, é importante compreender que a IA não é nova na área médica. As organizações têm experimentado algoritmos preditivos e de visão computacional já há algum tempo, principalmente para prever tratamentos e diagnósticos bem-sucedidos de doenças perigosas com mais rapidez do que os humanos. No entanto, quando se trata de IA generativa, ainda é relativamente novo, considerando que esta tecnologia chegou ao primeiro plano há apenas alguns anos com o anúncio do ChatGPT. Os modelos Gen AI usam redes neurais para identificar padrões e estruturas em dados existentes e gerar novos conteúdos, como textos e imagens. Estas podem ser aplicadas a uma variedade de setores, incluindo os cuidados de saúde, onde as organizações geram cumulativamente aproximadamente 300 petabytes de dados todos os dias.

Atualmente, a geração AI, com a sua capacidade de aprender com os dados e criar coisas novas, não pode substituir completamente os médicos ou fazer o trabalho que os médicos fazem, mas pode melhorar certos aspectos do sistema. . Isto inclui tudo, desde a simplificação do transporte de pacientes e visitas de telemedicina até o processamento de documentação clínica e o fornecimento de informações relevantes durante as cirurgias médicas.

Vamos dar uma olhada nos aplicativos mais viáveis ​​usando Gen AI que são possíveis hoje.

Assistente de IA para orientação médica

Após a COVID-19, a maioria das organizações lançou serviços de telemedicina, permitindo aos pacientes contactar os médicos sem visitar fisicamente o hospital. Essa abordagem funcionou, mas deixou os médicos sobrecarregados por terem que atender pacientes tanto online quanto offline. Com a geração AI, as organizações de saúde podem lançar um assistente de IA apoiado por LLM para resolver esse problema. Essencialmente, você pode ajustar um modelo como o GPT-4 com base em dados médicos para construir um assistente que aceite casos médicos básicos e oriente os pacientes para o melhor tratamento com base no sistema. Se um caso específico parecer mais complexo, o modelo pode redirecionar o paciente a um médico ou profissional de saúde mais próximo. Dessa forma, todos os casos serão tratados sem muita pressão de trabalho dos médicos. Várias organizações, incluindo Sanofi, Bayer e Novartis, adotaram esta abordagem e lançaram assistentes de IA nas suas respetivas plataformas.

Agente de eficiência de escritório

Além de avaliar as condições e fornecer orientação, os chatbots generativos de IA também podem ser construídos para lidar com tarefas médicas básicas, como marcar consultas e notificar os pacientes sobre visitas agendadas. Isto economiza tempo que os operadores humanos teriam de gastar para lidar com o número cada vez maior de chamadas e mensagens no sistema de saúde.

Os provedores que usam agentes de IA conversacional incluem Mercy Health, Baptist Health e Intermountain Healthcare. Todos eles estão lançando bots para automatizar tarefas como registro de pacientes, encaminhamento, agendamento, perguntas frequentes, emissão de tickets de suporte de TI e recargas de receitas. Além disso, muitas empresas começaram a implantar copilotos Gen AI que ouvem conversas entre pacientes e médicos e geram notas clínicas resumidas, permitindo que os médicos documentem e arquivem manualmente as informações em seus EHRs. Um desses provedores co-piloto, Nabla, usa essas notas para criar um conjunto de instruções aos pacientes em nome dos médicos. Este recurso é alimentado por um sistema de IA genética que, em paralelo com o seu médico, cria tratamentos e planos de tratamento personalizados com base não apenas na sua condição atual, mas também em parâmetros previamente registrados, como sua composição genética, histórico de saúde e estilo de vida. pode desenvolvê-lo ainda mais.

Aquisição de dados no fluxo de trabalho

Um dos maiores pontos fortes do LLM é que ele pode ser aumentado com geração de aumento de pesquisa (RAG) para utilizar recursos de dados adicionais sem retreinamento. Isto permite que as organizações de saúde criem assistentes inteligentes internos e sistemas de pesquisa que possam fornecer as respostas mais relevantes e contextuais a consultas específicas. Por exemplo, os sistemas baseados em RAG podem auxiliar os médicos na tomada de decisões, gerando recomendações baseadas em evidências para condições específicas.

Em outros casos, os sistemas EHR podem gerar relatórios médicos factuais e dados de pacientes, bem como compartilhar as diretrizes de tratamento mais recentes. A Nanome, com sede em San Diego, usa essa tecnologia para desenvolver um assistente que aproveita modelos de linguagem em larga escala (LLMs) e acessa dados internos em tempo real e sistemas de simulação molecular para ajudar as equipes farmacêuticas em seus fluxos de trabalho de desenvolvimento de medicamentos.

Análise de dados, criação de relatórios

Outra aplicação notável da IA ​​generativa é a análise de dados, especialmente de imagens médicas, como tomografias computadorizadas, ressonâncias magnéticas e raios-X. Apesar da rápida digitalização, a maioria das instituições de diagnóstico hoje conta com especialistas humanos para estudar imagens médicas e criar relatórios para os pacientes. Esta tarefa exige muito tempo e esforço e pode até estar sujeita a erros devido a preconceitos inerentes ou apenas à fadiga humana básica.

As abordagens geracionais baseadas em IA permitem que as equipes ajustem modelos como a visão GPT-4, usem-nos para estudar dados médicos, gerem relatórios e automatizem todo o processo para acelerá-lo para sempre. Sim, a ideia ainda é nova, mas as primeiras experiências mostram que esta é uma aplicação promissora da IA ​​geracional na saúde. Na verdade, um estudo da JAMA Network descobriu que os relatórios de radiografias de tórax gerados por IA têm o mesmo nível de qualidade e precisão que os relatórios criados por radiologistas humanos.

Desenvolvimento de drogas

Finalmente, a IA generativa também pode ajudar no desenvolvimento de medicamentos devido à sua capacidade de compreender padrões e estruturas complexas em dados médicos complexos. Esta tecnologia pode avaliar marcadores únicos de doenças específicas e criar novas combinações de produtos químicos ou novas estruturas moleculares que podem levar a potenciais candidatos a medicamentos. Os compostos gerados também podem ser selecionados com base em suas propriedades para prever efeitos colaterais e interações medicamentosas.

Apenas no ano passado, começaram os ensaios clínicos do medicamento genético INS018_055 gerado por IA da Insilico Medicine para fibrose pulmonar idiopática, que afeta aproximadamente 100.000 pessoas nos Estados Unidos, e agora está próximo do lançamento generalizado.

Cuidado é necessário

Apesar destas aplicações potencialmente transformadoras, as organizações de saúde precisam de compreender que a IA generativa é tão boa quanto os dados nos quais foi treinada/ajustada. Se os dados não estiverem devidamente preparados ou contiverem qualquer preconceito, os resultados do modelo refletirão esses problemas e prejudicarão a reputação do seu negócio. Isto significa que as organizações primeiro preparam os seus dados da melhor maneira possível, removendo informações de identificação pessoal (PII) dos dados, e depois avançam para a próxima fase do ciclo de vida do projeto, como formação ou inferência. deve ser feito. Será um fardo menor.