A técnica de IA que pode revolucionar o dia a dia dos médicos

A transformação digital está remodelando a prática clínica, e muito disso passa pela inteligência artificial. Ferramentas de IA generativa, como o ChatGPT, já fazem parte do cotidiano de cerca de 80% dos profissionais de saúde, segundo uma pesquisa da McKinsey.

Dados do Goldman Sachs apontam que essas tecnologias podem agregar até 7% ao PIB global e aumentar a produtividade em 1,5% ao longo de 10 anos. Só que os riscos envolvendo a IA, como as chamadas alucinações e a propagação de informações imprecisas, exigem uma abordagem cuidadosa.

Nesse cenário, novas metodologias surgem para fundamentar respostas em dados reais e confiáveis, e isso pode transformar o acesso à informação na área da saúde. Uma delas é a geração aumentada de recuperação (RAG, na sigla em inglês).

O que é e como funciona a recuperação de informações com IA

Essa abordagem integra grandes modelos de linguagem (LLMs) com bases de dados externas, permitindo que as respostas sejam embasadas em informações verificáveis. Imagine treinar um bibliotecário que, além de possuir vasto conhecimento, saiba indicar a fonte exata de cada informação – essa é a essência de tal tecnologia: combina a capacidade de raciocínio dos LLMs com a consulta a repositórios de dados, minimizando o risco de informações equivocadas.

O processo é composto por etapas bem definidas:

1- Pré-processamento e extração: A base de dados bruta passa por um processo de extração e organização das informações. Em seguida, o texto é fragmentado conforme a similaridade dos conteúdos – etapa fundamental para a performance do sistema.

2- Incorporação vetorial: Cada segmento do texto é convertido em vetores que representam seu conteúdo semântico. Depois, eles são armazenados em um banco de dados específico, facilitando a recuperação rápida e precisa.

3- Consulta e geração de resposta: Ao receber um prompt, o sistema compara a consulta com os vetores armazenados, identifica os fragmentos mais relevantes e os usa para gerar uma resposta fundamentada. Assim, o LLM integra informações atualizadas e verificadas para fornecer respostas precisas.

Relevância vs. similaridade na recuperação de informações

Na busca por respostas precisas, é essencial diferenciar dois conceitos:

• Similaridade: Refere-se à correspondência de palavras ou frases entre a consulta e os dados disponíveis.
• Relevância: Diz respeito à conexão semântica e contextual das ideias, ou seja, à real pertinência da informação para a pergunta formulada.

Aplicações e benefícios na prática da saúde

Essas tecnologias podem ser adaptadas para diferentes tipos de consultas médicas:

• Consultas simples: Ideal para perguntas diretas, em que uma única etapa de recuperação é suficiente – por exemplo, informações sobre tratamentos padrão para condições específicas, como “qual o tratamento de uma infecção urinária não complicada?”.
  
• Consultas complexas: Para questões intrincadas que exigem a combinação de informações de diversas fontes, o sistema realiza múltiplas etapas de recuperação, conectando diferentes fragmentos de dados para fornecer uma resposta abrangente e contextualizada. Ele ajudaria a responder a questões como: “Quais são os fatores de risco e as melhores estratégias de prevenção para doenças cardiovasculares em pacientes com diabetes e hipertensão, considerando histórico familiar e estilo de vida?”.

Na prática clínica, a integração dessas tecnologias permite que os profissionais tenham acesso rápido a informações críticas, essenciais para decisões clínicas seguras e bem informadas. Uma revisão sistemática evidenciou que os sistemas de suporte à decisão clínica melhoraram o desempenho dos profissionais em 64% dos estudos avaliados – com benefícios notáveis em sistemas de lembretes, gerenciamento de doenças e na dosagem ou prescrição de medicamentos.

Com a consolidação de bases de dados renomadas (como PubMed, BIREME, Cochrane Library e Web of Science), a tecnologia garante respostas fundamentadas e de alta qualidade. Dessa forma, os profissionais podem acessar, em segundos, dados que antes demandavam horas de pesquisa, promovendo uma prática clínica mais segura e eficaz, com destaque para:

• Correlações entre sintomas e tratamentos
• Reações adversas e interações medicamentosas
• Atualizações sobre protocolos e evidências científicas

Ferramentas inovadoras

É possível adaptar essa tecnologia para atender a diferentes propósitos, de acordo com o contexto e as necessidades dos usuários. Ferramentas programadas para recuperação e análise de informações podem ser configuradas para proporcionar desde uma visão abrangente do conhecimento acadêmico até respostas práticas e imediatas para a tomada de decisão clínica.
A primeira solução, Elsevier Scopus AI, é uma base de pesquisa exclusiva destinada à consolidação e síntese de décadas de estudos acadêmicos e científicos. Ela permite localizar conteúdos relevantes a partir de uma consulta e sintetizar o conhecimento acumulado, apresentando:

• Resumos temáticos: Síntese dos pontos principais dos documentos, facilitando a análise de grandes volumes de pesquisa.
  
• Resumos expandidos: Informações aprofundadas que proporcionam uma compreensão detalhada dos conteúdos analisados.
  
• Sugestões de perguntas: Novas questões que podem aprofundar o tema pesquisado, servindo como recurso para pesquisadores e acadêmicos.
  
  Já a Elsevier ClinicalKey AI é voltada especificamente para o ambiente clínico, não só provendo informações amplas, atualizadas e relevantes como também oferecendo respostas rápidas e concisas para suporte à tomada de decisão. As respostas são sempre acompanhadas de citações que direcionam para referências científicas, respondendo a dúvidas no beira-leito e contribuindo para a construção do raciocínio clínico.

Google AI Overview

Atualmente, tanto o Google AI Overview quanto a ferramenta de busca do ChatGPT já estão disponíveis para uso. Ambas as soluções foram desenvolvidas para oferecerem respostas fundamentadas, integração com a internet e minimização de riscos – ou seja. embora elas reduzam as chances de informações imprecisas, é necessário o uso crítico para garantir a confiabilidade dos dados.

Equilíbrio entre tecnologia e rigor científico

O potencial da IA na saúde é inegável, mas seu sucesso depende da integração com fontes de alta credibilidade. A união de modelos confiáveis treinados em bases acadêmicas (como PubMed e Cochrane) com tecnologias avançadas de RAG pode elevar a precisão e a relevância das respostas.

Mas a adoção dessas tecnologias deve ser acompanhada por um treinamento constante em leitura crítica. Só isso garantirá que os profissionais estejam atentos aos riscos de informações imprecisas e mantenham o rigor acadêmico na validação das fontes.

A incorporação de soluções baseadas em IA na área da saúde sinaliza o início de uma nova era no acesso à informação. Ao fundamentar respostas em dados reais e verificáveis, tecnologias como RAG prometem revolucionar a forma como os profissionais de saúde buscam e utilizam o conhecimento.

Para aproveitar ao máximo essas inovações, é imprescindível combinar o poder dos modelos de linguagem com bases de dados consolidadas e manter uma postura crítica e vigilante quanto à veracidade das informações. Assim, o equilíbrio entre tecnologia de ponta e rigor científico será a chave para transformar a prática clínica e elevar os padrões de atendimento em saúde.

*Artigo escrito em parceria com Lucas Fonoli, médico, executivo em saúde e cientista de dados.