O salto da IA na formação médica: Como RAG agente, LLMs de pesos abertos e insights de casos em tempo real estão moldando uma nova geração de médicos no NYU Langone.

Os registros de dados dos pacientes podem ser complicados e, às vezes, incompletos, o que significa que os médicos nem sempre têm todas as informações necessárias à disposição. Além disso, os profissionais de saúde não conseguem acompanhar a avalanche de estudos de casos, artigos de pesquisa, ensaios e outros desenvolvimentos inovadores que surgem na indústria. 

A NYU Langone Health, com sede na cidade de Nova York, encontrou uma abordagem inovadora para enfrentar esses desafios na formação da próxima geração de médicos. 

O centro acadêmico de medicina — que compreende a NYU Grossman School of Medicine e a NYU Grossman Long Island School of Medicine, além de seis hospitais e 375 locais de atendimento ambulatorial — desenvolveu um modelo de linguagem de grande porte (LLM) que atua como um respeitado companheiro de pesquisa e conselheiro médico. 

Todas as noites, o modelo processa registros eletrônicos de saúde (EHR), combinando-os com pesquisas relevantes, dicas de diagnóstico e informações de fundo essenciais que depois entrega em e-mails concisos e personalizados aos residentes na manhã seguinte. Esta é uma parte essencial da abordagem pioneira da NYU Langone para a educação médica — o que eles chamam de “educação médica de precisão” que utiliza IA e dados para proporcionar jornadas altamente personalizadas aos alunos. 

“Este conceito de ‘precisão em tudo’ é necessário na saúde”, disse Marc Triola, vice-decano para informações educacionais e diretor do Instituto para Inovações em Educação Médica na NYU Langone Health, ao VentureBeat. “É evidente que as evidências estão surgindo de que a IA pode superar muitos dos vieses cognitivos, erros, desperdícios e ineficiências do sistema de saúde, melhorando a tomada de decisões diagnósticas.”

Como a NYU Langone está usando Llama para aprimorar o atendimento ao paciente

A NYU Langone utiliza um modelo de peso aberto construído na última versão do Llama-3.1-8B-instruct e no banco de dados vetorial de código aberto Chroma para geração aumentada por recuperação (RAG). Mas não se trata apenas de acessar documentos — o modelo vai além do RAG, empregando ativamente ferramentas de busca e outros métodos para descobrir os mais recentes documentos de pesquisa.

Todas as noites, o modelo se conecta ao banco de dados de EHR da instituição e extrai dados médicos dos pacientes atendidos na Langone no dia anterior. Em seguida, ele busca informações básicas sobre diagnósticos e condições médicas. Usando uma API em Python, o modelo também realiza uma busca na literatura médica relacionada no PubMed, que possui “milhões e milhões de artigos”, explicou Triola. O LLM filtra revisões, artigos profundos e ensaios clínicos, selecionando alguns dos mais relevantes e “reúne tudo em um e-mail bem organizado.”

Na manhã seguinte, estudantes de medicina e residentes de medicina interna, neurocirurgia e onocologia radioterápica recebem um e-mail personalizado com resumos detalhados dos pacientes. Por exemplo, se um paciente com insuficiência cardíaca congestiva esteve em uma consulta no dia anterior, o e-mail fornecerá um resumo sobre a fisiopatologia básica das condições cardíacas e informações sobre os mais recentes tratamentos. Também oferece perguntas de auto-estudo e literatura médica curada por IA. Além disso, pode fornecer dicas sobre os próximos passos que os residentes poderiam tomar ou ações que podem ter sido esquecidas.

“Recebemos ótimos feedbacks de estudantes, residentes e do corpo docente sobre como isso os mantém atualizados de forma fluida, como estão incorporando isso nas decisões sobre o plano de atendimento de um paciente,” disse Triola. 

Um dos principais critérios de sucesso para ele foi quando uma falha no sistema interrompeu os e-mails por alguns dias — e membros do corpo docente e estudantes reclamaram que não estavam recebendo os lembretes matinais dos quais haviam se tornado dependentes.

“Porque enviamos esses e-mails bem antes de nossos médicos começarem as visitas — que é um dos momentos mais loucos e movimentados do dia para eles — e para que eles notem que não estão recebendo esses e-mails e sintam falta disso como parte de seu raciocínio foi incrível,” disse ele. 

Transformando a indústria com educação médica de precisão

Esse sofisticado sistema de recuperação de IA é fundamental para o modelo de educação médica de precisão da NYU Langone, que Triola explicou ser baseado em dados digitais “de alta densidade e sem fricção,” em IA e algoritmos avançados.

A instituição coletou vastas quantidades de dados na última década sobre os estudantes — seu desempenho, os ambientes em que estão cuidando de pacientes, as notas de EHR que estão escrevendo, as decisões clínicas que estão tomando e a maneira como raciocinam durante as interações e cuidados com os pacientes. Além disso, a NYU Langone possui um vasto catálogo de todos os recursos disponíveis para os alunos de medicina, sejam vídeos, estudos individuais, questões de exames ou módulos de aprendizado online.

O sucesso do projeto também se deve à arquitetura simplificada da instalação: ela possui TI centralizada, um único armazém de dados do lado da saúde e um único armazém de dados para educação, permitindo que a Langone una seus diversos recursos de dados.

O diretor de informações médicas, Paul Testa, observou que grandes sistemas de IA/ML não são possíveis sem grandes dados, mas “não é fácil de fazer se você está sentado em dados não armazenados em silos por todo o sistema.” O sistema médico pode ser grande, mas opera como “um paciente, um registro, um padrão.”

IA Generativa permitindo à NYU Langone se afastar da educação ‘tamanho único’

Como Triola colocou, a principal questão que sua equipe está buscando responder é: “Como eles conectam o diagnóstico, o contexto do aluno individual e todos esses materiais de aprendizado?”

“De repente, temos a chave perfeita para destrancar isso: a IA generativa,” disse ele. 

Isso permitiu que a escola se afastasse de um modelo “tamanho único” que tem sido a norma, seja qual for a intenção do aluno em se tornar, por exemplo, um neurocirurgião ou um psiquiatra — disciplinas muito diferentes que exigem abordagens únicas. 

É importante que os alunos recebam uma educação personalizada ao longo de sua formação, bem como “impulsos educacionais” que se adaptem às suas necessidades, disse ele. Mas não se pode simplesmente dizer aos docentes “gaste mais tempo com cada aluno individual” — isso é humanamente impossível.

“Nossos alunos estão ansiosos por isso, porque reconhecem que este é um período de mudança de alta velocidade na medicina e na IA generativa,” disse Triola. “Isso definitivamente mudará o que significa ser médico.”

Servindo como um modelo para outras instituições médicas

Não que não tenha havido desafios ao longo do caminho. Notavelmente, as equipes técnicas têm trabalhado para superar a “imaturidade” do modelo. 

Como Triola observou: “É fascinante como o conhecimento incorporado é expansivo e preciso, e às vezes limitado. Ele funciona perfeitamente, previsivelmente, 99 vezes seguidas, e então na 100ª vez faz uma combinação interessante de escolhas.”

Por exemplo, no início do desenvolvimento, os LLMs não conseguiam diferenciar entre uma úlcera na pele e uma úlcera no estômago, que não estão relacionadas conceitualmente, explicou Triola. Sua equipe, desde então, se concentrou na refinamento de prompts e fundamentação, e o resultado tem sido “notável.”

Na verdade, sua equipe está tão confiante na pilha e no processo que acredita que pode servir como um grande exemplo para outros seguirem. “Estávamos favorecendo código aberto e peso aberto porque queríamos chegar ao ponto em que pudéssemos dizer: ‘Ei, outras escolas de medicina, muitas das quais não têm muitos recursos, vocês podem fazer isso de forma acessível,’” explicou Triola. 

Testa concordou: “É reproduzível? É algo que queremos disseminar? Absolutamente, queremos disseminá-lo por toda a saúde.”

Reavaliando práticas ‘sagradas’ na medicina

Entendivelmente, há muita preocupação em todo o setor sobre viéses sutis que podem estar impregnados nos sistemas de IA. No entanto, Triola apontou que isso não é uma grande preocupação neste caso de uso, pois é uma tarefa relativamente simples para a IA. “É pesquisar, escolher de uma lista, resumir,” ele observou. 

Pelo contrário, uma das principais preocupações levantadas é em relação à desqualificação ou perda de habilidade. Aqui está uma correlação: aqueles de uma certa idade podem se lembrar de ter aprendido caligrafia na escola fundamental — mas provavelmente esqueceram a habilidade porque raramente a usaram na vida adulta. Agora, está quase obsoleta, raramente ensinada na educação primária atual. 

Triola apontou que há partes “sagradas” de ser um médico, e que alguns são resistentes a abrir mão dessas funções para a IA ou sistemas digitais “de qualquer forma.” Por exemplo, há a percepção de que jovens médicos devem estar ativamente pesquisando e revisando a literatura mais recente sempre que não estão em um ambiente clínico. Mas a quantidade de conhecimento médico disponível hoje e o “ritmo frenético” da medicina clínica exige uma maneira diferente de fazer as coisas, enfatizou Triola.

Quando se trata de pesquisar e recuperar informações, ele observou: “A IA faz isso melhor, e essa é uma verdade desconfortável que muitas pessoas hesitam em acreditar.”

Em vez disso, ele sugeriu: “Vamos dizer que isso vai dar superpoderes aos médicos e descobrir a relação co-piloto entre o humano e a IA, e não a relação competitiva de quem vai fazer o quê.”