Quebrando o 'gargalo intelectual': Como a IA está computando o anteriormente incomputável na saúde.

Sure! Here is your content rewritten in Portuguese while keeping the HTML tags intact:

Junte-se aos nossos boletins diários e semanais para receber as últimas atualizações e conteúdo exclusivo sobre a cobertura de IA líder no setor. Saiba mais

Sempre que um paciente realiza uma tomografia computadorizada (TC) na University of Texas Medical Branch (UTMB), as imagens resultantes são enviadas automaticamente para o departamento de cardiologia, analisadas por IA e recebem uma pontuação de risco cardíaco.

Em apenas alguns meses, graças a um algoritmo simples, a IA identificou vários pacientes com alto risco cardiovascular. A TC não precisa estar relacionada ao coração; o paciente não precisa ter problemas cardíacos. Cada exame automaticamente aciona uma avaliação.

É um cuidado preventivo simples possibilitado pela IA, permitindo que a instituição médica comece a utilizar finalmente suas vastas quantidades de dados.

“Os dados estão apenas lá fora”, disse Peter McCaffrey, o chefe de IA da UTMB, ao VentureBeat. “O que eu amo sobre isso é que a IA não precisa fazer nada sobre-humano. Ela está realizando uma tarefa de baixo intelecto, mas em um volume muito alto, e isso ainda proporciona muito valor, porque estamos constantemente encontrando coisas que perdemos.”

Ele reconheceu: “Sabemos que perdemos coisas. Antes, simplesmente não tínhamos as ferramentas para voltar e encontrá-las.”

Como a IA ajuda a UTMB a determinar o risco cardiovascular

Como muitas instituições de saúde, a UTMB está aplicando IA em várias áreas. Um dos seus primeiros casos de uso é a triagem de risco cardíaco. Modelos foram treinados para procurar calcificação coronária incidental (iCAC), um forte indicador de risco cardiovascular. O objetivo é identificar pacientes vulneráveis a doenças cardíacas que, de outra forma, podem ter sido negligenciados, pois não apresentam sintomas óbvios, explicou McCaffrey.

Através do programa de triagem, cada TC realizada na instituição é analisada automaticamente usando IA para detectar calcificação coronária. O exame não precisa ter qualquer relação com cardiologia; pode ter sido solicitado devido a uma fratura da coluna ou um nódulo pulmonar anômalo.

As imagens são alimentadas em uma rede neural convolucional (CNN) baseada em imagem que calcula uma pontuação de Agatston, que representa a acumulação de placa nas artérias do paciente. Normalmente, isso seria calculado por um radiologista humano, explicou McCaffrey.

A partir daí, a IA aloca pacientes com uma pontuação de iCAC igual ou superior a 100 em três 'níveis de risco', com base em informações adicionais (como se eles estão em tratamento com estatinas ou se já consultaram um cardiologista). McCaffrey explicou que essa designação é baseada em regras e pode extrair valores discretos do prontuário eletrônico (EHR), ou a IA pode determinar valores processando texto livre, como notas de consultas clínicas, usando o GPT-4o.

Pacientes sinalizados com uma pontuação de 100 ou mais, sem histórico conhecido de consulta ou terapia cardiológica, recebem automaticamente mensagens digitais. O sistema também envia uma nota ao seu médico primário. Pacientes identificados com pontuações iCAC mais severas, de 300 ou mais, também recebem uma ligação telefônica.

McCaffrey explicou que quase tudo é automatizado, exceto pela ligação telefônica; no entanto, a instituição está ativamentepilotando ferramentas na esperança de também automatizar chamadas de voz. A única área onde humanos estão envolvidos é na confirmação da pontuação de cálcio derivada da IA e do nível de risco antes de prosseguir com a notificação automatizada.

Desde o lançamento do programa no final de 2024, a instituição médica avaliou aproximadamente 450 exames por mês, com cinco a dez desses casos sendo identificados como de alto risco a cada mês, exigindo intervenção, relatou McCaffrey.

“O essencial aqui é que ninguém precisa suspeitar que você tenha essa doença, ninguém precisa solicitar o exame para essa doença”, observou.

Outro caso de uso crítico para a IA é na detecção de acidente vascular cerebral e embolia pulmonar. A UTMB usa algoritmos especializados que foram treinados para detectar sintomas específicos e sinalizar equipes de atendimento em segundos após a imagiologia para acelerar o tratamento.

Assim como na ferramenta de pontuação iCAC, CNNs, respectivamente treinadas para acidente vascular cerebral e embolias pulmonares, recebem automaticamente as TCs e procuram indicadores como obstruções do fluxo sanguíneo ou interrupção abrupta de vasos sanguíneos.

“Radiologistas humanos podem detectar essas características visuais, mas aqui a detecção é automatizada e acontece em meros segundos”, disse McCaffrey.

Qualquer TC solicitada “sob suspeita” de acidente vascular cerebral ou embolia pulmonar é automaticamente enviada para a IA — por exemplo, um clínico no pronto-socorro pode identificar queda facial ou gagueira e emitir uma ordem de “TC de acidente vascular cerebral”, acionando o algoritmo.

Ambos os algoritmos incluem um aplicativo de mensagens que notifica toda a equipe de atendimento assim que uma descoberta é feita. Isso incluirá uma captura de tela da imagem com um cruzamento sobre a localização da lesão.

“Esses são casos de uso de emergência nos quais a rapidez com que você inicia o tratamento é crucial”, afirmou McCaffrey. “Vimos casos onde conseguimos ganhar vários minutos de intervenção porque recebemos uma notificação antecipada da IA.”

Reduzindo alucinações e viés de ancoragem

Para garantir que os modelos funcionem da melhor forma possível, a UTMB os classifica quanto à sensibilidade, especificidade, pontuação F-1, viés e outros fatores, tanto pré-implantação quanto recorrente após a implantação.

Assim, por exemplo, o algoritmo de iCAC é validado na pré-implantação fazendo o modelo rodar em um conjunto balanceado de TCs enquanto radiologistas marcam manualmente — então os dois são comparados. Na revisão pós-implantação, enquanto isso, radiologistas recebem um subconjunto aleatório de TCs pontuadas pela IA e realizam uma medição completa de iCAC que é cegada à pontuação da IA. McCaffrey explicou que isso permite que sua equipe calcule o erro do modelo de forma recorrente e também detecte viés potencial (que seria visto como uma mudança na magnitude e/ou direcionalidade do erro).

Para ajudar a prevenir o viés de ancoragem — onde IA e humanos dependem demais da primeira informação que encontram, perdendo detalhes importantes ao tomar uma decisão — a UTMB emprega uma técnica de “aprendizado em pares”. Um subconjunto aleatório de exames de radiologia é escolhido, embaralhado, anonimizado e distribuído entre diferentes radiologistas, e suas respostas são comparadas.

Isso não apenas ajuda a avaliar o desempenho individual dos radiologistas, mas também detecta se a taxa de achados perdidos foi maior nos estudos em que a IA foi usada para destacar anomalias específicas (levando assim ao viés de ancoragem).

Por exemplo, se a IA fosse usada para identificar e sinalizar fraturas ósseas em uma radiografia, a equipe observaria se os estudos com bandeiras para fraturas ósseas também apresentaram taxas de perda aumentadas para outros fatores, como estreitamento do espaço articular (comum na artrite).

McCaffrey e sua equipe descobriram que versões sucessivas de modelos tanto dentro das classes (várias versões do GPT-4o) quanto entre classes (GPT-4.5 vs 3.5) tendem a ter uma taxa de alucinação menor. “Mas isso é não zero e não determinístico, então — embora seja bom — não podemos simplesmente ignorar a possibilidade e as ramificações da alucinação”, disse ele.

Portanto, eles normalmente se inclinam para ferramentas de IA generativa que fazem um bom trabalho de citar suas fontes. Por exemplo, um modelo que resume o curso médico de um paciente enquanto também revela as notas clínicas que serviram de base para sua saída.

“Isto permite que o prestador de serviços funcione eficientemente como um salvaguarda contra alucinações”, disse McCaffrey.

Sinalizando o ‘básico’ para melhorar a saúde

A UTMB também está utilizando IA em várias outras áreas, incluindo um sistema automatizado que auxilia a equipe médica a determinar se as internações de pacientes são justificadas. O sistema atua como um co-piloto, extraindo automaticamente todas as notas dos pacientes do EHR e utilizando Claude, GPT e Gemini para resumi-las e examiná-las antes de apresentar avaliações à equipe.

“Isto permite que nosso pessoal olhe através de toda a população de pacientes e filtre/trie pacientes”, explicou McCaffrey. A ferramenta também auxilia a equipe na redação de documentação para apoiar as admissões ou observações.

Em outras áreas, a IA é usada para reexaminar laudos como interpretações de ecocardiograma ou notas clínicas e identificar lacunas no atendimento. Em muitos casos, “é simplesmente sinalizando coisas básicas”, disse McCaffrey.

A saúde é complexa, com fluxos de dados chegando de todos os lados, observou — imagens, notas de médicos, resultados de laboratórios — mas muito pouco desses dados foram computados porque simplesmente não houve mão de obra humana suficiente.

Isso levou ao que ele descreveu como um “gargalo intelectual maciço”. Muitos dados simplesmente não estão sendo computados, apesar de haver grande potencial para sermos proativos e encontrarmos coisas mais cedo.

“Não é uma crítica a algum lugar específico”, enfatizou McCaffrey. “É apenas o estado geral da saúde.” Sem a IA, “não é possível implantar a inteligência, o controle, o trabalho de pensamento na escala necessária para capturar tudo.”

Feel free to ask if you need any changes!

---