Especialistas em AVC discutem o uso atual e futuro de ferramentas de IA em pesquisa e tratamento

À medida que o uso da inteligência artificial (IA) continua a crescer em quase todos os setores, é importante estabelecer proteções para garantir que a tecnologia seja usada de forma ética e responsável. Isto é especialmente verdadeiro no campo da medicina, onde os erros podem ser uma questão de vida ou morte e as informações dos pacientes devem ser protegidas.

Um grupo de médicos de AVC, pesquisadores e representantes da indústria discutiram o uso atual e o futuro da IA ​​no desenho de ensaios clínicos de AVC na mesa redonda da indústria acadêmica de tratamento de AVC em 28 de março. Liderados por Joseph Broderick, MD da Universidade de Cincinnati, os pesquisadores publicaram um artigo na revista AVC 30 de setembro resumindo a discussão do grupo.

Os médicos de AVC já utilizam IA para auxiliar na tomada de decisões clínicas, especialmente ao analisar imagens cerebrais e vasculares. Também alerta os médicos sobre potenciais participantes em ensaios clínicos.

Mas com estas e outras utilizações alargadas da IA, Broderick e os seus colegas enfatizaram a importância de conceber sistemas “humanos no circuito” que requerem contribuição humana e experiência na formação e utilização de modelos de IA.

“Pense na IA como uma criança aprendendo a andar de bicicleta”, disse Broderick, professor da Faculdade de Medicina da UC, consultor sênior do Instituto de Neurociências Gardner da UC e diretor do Centro Nacional de Coordenação NIH StrokeNet.

“É uma façanha incrível andar de bicicleta, mas há muitas quedas (erros) no aprendizado. Ter um especialista, e até mesmo rodinhas, para ajudar a apoiar a bicicleta enquanto a criança aprende é útil. Eventualmente, as crianças aprendem a andar de bicicleta muito bem.”

Broderick e seus colegas compararam o uso de aprendizado de máquina (ML) com IA generativa em aplicações de AVC.

O aprendizado de máquina treina modelos de IA em um conjunto de dados estruturado e com curadoria humana para classificar ou prever resultados conhecidos como “verdade básica”. Embora seja necessário mais esforço humano para treinar esses modelos com grandes conjuntos de dados, a maior parte do aprendizado de máquina pode ser realizada de forma eficiente com o poder da computação padrão.

“Uma grande vantagem destes modelos de ML é que os seus métodos são geralmente mais interpretáveis ​​e o seu processo de tomada de decisão mais transparente, para que possam ser compreendidos e rastreados, o que é fundamental para a validação médica e a plausibilidade biológica”, escreveram os co-autores.

A IA generativa é treinada em enormes volumes de texto não rotulados da Internet, livros e periódicos antes de ser ajustada em conjuntos de dados mais especializados. Isso geralmente significa menos intervenção humana no treinamento do modelo, mas requer enorme poder computacional e eletricidade.

“Os próprios modelos (de IA generativa) têm bilhões ou trilhões de parâmetros, mas funcionam como uma ‘caixa preta’, tornando difícil entender completamente como ou por que um resultado específico foi gerado”, disseram os coautores. “A explicabilidade de grandes modelos de linguagem é uma área ativa de pesquisa.”

Quer utilizem aprendizagem automática ou modelos generativos, os investigadores do AVC terão de ser proativos para garantir que os conjuntos de dados são robustos e têm em conta dados de diferentes fabricantes de scanners, instituições e pacientes para melhorar a generalização.

“Se usarmos dados ruins ou limitados e os especialistas humanos não corrigirem os dados ou classificações ruins, a IA pode produzir recomendações imprecisas e erradas”, disse Broderick. “Minha maior preocupação é quando a IA é treinada com dados ruins e dá respostas que podem prejudicar.”

Os pesquisadores também precisarão desenvolver protocolos e salvaguardas rigorosos para manter as informações dos pacientes usadas para treinar os modelos privadas e em conformidade com a HIPAA. Isso poderia parecer que terceiros independentes, como a American Heart Association, coletam centralmente dados anônimos de pacientes antes de serem alimentados em modelos de IA, ou modelos de treinamento com dados apenas de cada instituição individual antes de compartilhar os parâmetros aprendidos de forma mais ampla.

“A proteção da privacidade dos pacientes representa um grande desafio para o uso de dados clínicos para o treinamento de IA nos cuidados de saúde, e o compartilhamento, mesmo de dados anonimizados, entre países torna-se mais desafiador devido às diferentes leis relativas ao compartilhamento de dados em vários países”, escreveram os coautores. “Novos métodos de desenvolvimento de modelos prometem resolver algumas dessas preocupações de privacidade”.

Depois que modelos robustos de IA de AVC são desenvolvidos e validados por humanos, Broderick disse que as aplicações potenciais incluem uma melhor identificação de potenciais participantes de ensaios, comunicando projetos de ensaios aos pacientes em linguagem leiga, traduzindo informações do ensaio em diferentes idiomas para pacientes que não falam inglês e ajudando a identificar o melhor tratamento para cada paciente individual.

“Já falamos sobre medicina de precisão há algum tempo, mas a IA é um grande passo para conseguir isso”, disse ele.

Além da IA, os autores discutiram novos designs de ensaios clínicos, tais como ensaios de plataforma, que podem testar de forma mais eficiente várias questões de investigação ao mesmo tempo e adicionar novas questões à medida que as questões mais antigas são respondidas. Outro foco importante no futuro são os ensaios pragmáticos, que visam avaliar a eficácia dos tratamentos quando são implementados em cuidados clínicos de rotina, e não em condições idealizadas.

Ao comparar os tratamentos existentes, incorporar procedimentos de ensaio em fluxos de trabalho clínicos normais e utilizar dados do registo de saúde eletrónico, os investigadores e as organizações podem reduzir os custos associados a estes tipos de ensaios pragmáticos e simplificar a sua infraestrutura. Espera-se que projetos pragmáticos aumentem as chances de um teste ser realizado com sucesso, em tempo hábil e com baixo custo.

Finalmente, a comunidade de investigação do AVC precisa de mais envolvimento da comunidade e dos pacientes. Isto deve incluir contribuições do pessoal médico local (paramédicos, médicos nas instalações de transferência e recepção e coordenadores do estudo) que inscrevem e tratam pacientes com AVC em ensaios clínicos.

Devem ser estabelecidas metas comuns para um ensaio para minimizar a carga do paciente e do investigador na participação no ensaio, estender a participação no ensaio a ambientes comunitários sempre que possível e divulgar rapidamente os resultados do ensaio aos pacientes, aos médicos e ao público.

“O futuro é brilhante e faremos grandes progressos na investigação com estas novas ferramentas”, disse Broderick. “Ao mesmo tempo, o verdadeiro teste da nossa era atual com a rápida expansão da IA ​​nas nossas vidas diárias é reconhecer dados precisos e verdadeiros no meio de um mar de palavras, imagens e vídeos que podem ser errados, prejudiciais ou imprecisos.”

“O fogo pode queimar uma casa com a mesma facilidade com que aquece o corpo ou cozinha uma refeição”, continuou ele. “A IA é um incêndio que se espalha rapidamente, mas estamos apenas começando a aprender a melhor forma de usá-la com segurança e sabedoria.”

Outros coautores do artigo incluem Eva Mistry e Paul Wechsler da UC, Mitchell SV Elkind, David S. Liebeskind, George Harston, Jake Wolenberg, Jennifer A. Frontera, W. Taylor Kimberly, Christopher G. Favilla, Johannes Boltze, Johanna Ospel, Edgar A Samaniego, Opeolu Adeoye, Scott E. Kasner, Lee H. Schwamm e Gregory W. Albers.