▲
- Um hospital no Texas utiliza IA para triagem de risco cardiovascular em pacientes não relacionados a cardiologia.
- Isso pode ajudar você a receber serviços médicos mais adequados e rápidos, prevenindo doenças silenciosas.
- A utilização de IA permite uma análise mais eficiente, identificando riscos que poderiam ser ignorados em exames tradicionais.
- Essa tecnologia pode evoluir para melhorar outros aspectos dos serviços de saúde, tornando-os mais proativos.
A IA na saúde está transformando a maneira como os serviços médicos utilizam seus dados, antes subutilizados. Um hospital no Texas implementou um sistema de análise de tomografias computadorizadas que identifica pacientes com risco cardiovascular, mesmo que o exame não esteja relacionado ao coração. Essa triagem preventiva, impulsionada por algoritmos, destaca o potencial da IA para realizar tarefas de alta frequência e baixo intelecto, revelando informações que seriam facilmente negligenciadas.
Como a IA na Saúde Transforma a Avaliação de Risco Cardiovascular
A exemplo de outras instituições de saúde, o University of Texas Medical Branch (UTMB) está aplicando a IA em diversas áreas. Um dos primeiros casos de uso é a triagem de risco cardíaco. Modelos foram treinados para identificar a calcificação da artéria coronária incidental (iCAC), um forte indicador de risco cardiovascular. O objetivo é identificar pacientes suscetíveis a doenças cardíacas que poderiam passar despercebidos por não apresentarem sintomas óbvios, explicou McCaffrey.
Através do programa de triagem, cada tomografia computadorizada (TC) realizada na instalação é automaticamente analisada usando IA na saúde para detectar a calcificação coronária. O exame não precisa ter relação com cardiologia; pode ser solicitado devido a uma fratura na coluna ou um nódulo pulmonar anormal.
Os exames são inseridos em uma rede neural convolucional (CNN) baseada em imagem que calcula um escore de Agatston, que representa o acúmulo de placa nas artérias do paciente. Normalmente, isso seria calculado por um radiologista humano, explicou McCaffrey.
A partir daí, a IA aloca pacientes com um escore de iCAC igual ou superior a 100 em três ‘níveis de risco’ com base em informações adicionais (como se eles estão tomando uma estatina ou já fizeram uma visita a um cardiologista). McCaffrey explicou que essa atribuição é baseada em regras e pode ser extraída de valores discretos dentro do prontuário eletrônico de saúde (EHR), ou a IA pode determinar valores processando texto livre, como notas de consulta clínica usando GPT-4o.
Leia também:
Pacientes sinalizados com uma pontuação de 100 ou mais, sem histórico conhecido de visitação ou terapia cardiológica, recebem automaticamente mensagens digitais. O sistema também envia um bilhete ao seu médico de atenção primária. Pacientes identificados com pontuações de iCAC mais graves de 300 ou mais também recebem um telefonema.
McCaffrey explicou que quase tudo é automatizado, exceto pelo telefonema; no entanto, a instalação está ativamente testando ferramentas na esperança de também automatizar chamadas de voz. A única área onde os humanos estão no circuito é na confirmação do escore de cálcio derivado da IA e do nível de risco antes de prosseguir com a notificação automatizada.
Desde o lançamento do programa no final de 2024, a instalação 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 objetivo aqui é que ninguém precisa suspeitar que você tem essa doença, ninguém precisa solicitar o estudo para essa doença”, observou ele.
Minutos Extras que Salvam Vidas com o Auxílio da IA
Outro caso de uso crucial para a IA é a detecção de acidente vascular cerebral (AVC) e embolia pulmonar. O UTMB utiliza algoritmos especializados, treinados para identificar sintomas específicos e alertar as equipes de atendimento em segundos após a realização de exames de imagem, acelerando o tratamento. Assim como o sistema de câmeras dos carros autônomos, a IA na saúde age rápido e salva vidas.
Assim como na ferramenta de pontuação iCAC, as CNNs, treinadas respectivamente para AVC e embolias pulmonares, recebem automaticamente as tomografias e procuram indicadores como fluxos sanguíneos obstruídos ou interrupção abrupta de vasos sanguíneos.
“Radiologistas humanos conseguem detectar essas características visuais, mas aqui a detecção é automatizada e acontece em meros segundos”, disse McCaffrey.
Qualquer TC solicitada “sob suspeita” de AVC ou embolia pulmonar é automaticamente enviada para a IA — por exemplo, um médico no pronto-socorro pode identificar queda facial ou fala arrastada e emitir um pedido de “TC de AVC”, 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 uma mira sobre a localização da lesão.
“Estes são casos de uso de emergência particulares onde a rapidez com que você inicia o tratamento é importante”, disse McCaffrey. “Vimos casos em que conseguimos ganhar vários minutos de intervenção porque tivemos um aviso mais rápido da IA.”
Reduzindo Alucinações e Vieses na Análise de Dados
Para garantir que os modelos funcionem da forma mais otimizada possível, o UTMB os perfila para sensibilidade, especificidade, pontuação F-1, viés e outros fatores, tanto antes da implantação quanto recorrentemente após a implantação.
Assim, por exemplo, o algoritmo iCAC é validado antes da implantação, executando o modelo em um conjunto equilibrado de tomografias enquanto os radiologistas pontuam manualmente — então os dois são comparados. Na revisão pós-implantação, enquanto isso, os radiologistas recebem um subconjunto aleatório de tomografias pontuadas por IA e realizam uma medição completa de iCAC que é cega à pontuação da IA. McCaffrey explicou que isso permite que sua equipe calcule o erro do modelo recorrentemente e também detecte um possível viés (que seria visto como uma mudança na magnitude e/ou direcionalidade do erro).
Para ajudar a evitar o viés de ancoragem — onde a IA e os humanos confiam muito na primeira informação que encontram, perdendo assim detalhes importantes ao tomar uma decisão — o UTMB emprega uma técnica de “aprendizado entre pares”. Um subconjunto aleatório de exames de radiologia é escolhido, embaralhado, anonimizado e distribuído para diferentes radiologistas, e suas respostas são comparadas.
Isto não só ajuda a avaliar o desempenho individual do radiologista, mas também deteta se a taxa de resultados perdidos foi maior em estudos em que a IA foi utilizada para destacar especificamente anomalias particulares (levando assim a um viés de ancoragem).
Por exemplo, se a IA fosse usada para identificar e sinalizar fraturas ósseas em um raio-X, a equipe analisaria se os estudos com sinalizações para fraturas ósseas também tinham taxas de omissão aumentadas para outros fatores, como estreitamento do espaço articular (comum na artrite).
McCaffrey e sua equipe descobriram que as versões sucessivas do modelo, tanto dentro das classes (várias versões do GPT-4o) quanto entre as classes (GPT-4.5 vs 3.5), tendem a ter uma taxa de alucinação mais baixa. “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 gravitam em direção a ferramentas generativas de IA que fazem um bom trabalho ao 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 produção.
“Isto permite que o provedor sirva eficientemente como uma salvaguarda contra a alucinação”, disse McCaffrey.
IA Sinalizando o Básico para Aprimorar a Saúde
O UTMB também está utilizando a IA em diversas outras áreas, incluindo um sistema automatizado que auxilia a equipe médica a determinar se as internações hospitalares são justificadas. O sistema funciona como um co-piloto, extraindo automaticamente todas as notas do paciente do EHR e usando Claude, GPT e Gemini para resumi-las e examiná-las antes de apresentar avaliações à equipe.
“Isto permite que nosso pessoal olhe para toda a população de pacientes e filtre/triagem os pacientes”, explicou McCaffrey. A ferramenta também auxilia o pessoal na elaboração de documentação para apoiar a admissão ou observação.
Em outras áreas, a IA é usada para reexaminar relatórios como interpretações de ecocardiologia ou notas clínicas e identificar lacunas no atendimento. Em muitos casos, “está simplesmente sinalizando coisas básicas”, disse McCaffrey.
A área de saúde é complexa, com fluxos de dados chegando de todos os lugares — imagens, notas de médicos, resultados de exames laboratoriais —, mas muito poucos desses dados foram computados porque simplesmente não houve mão de obra humana suficiente. Quer ficar por dentro de todas as novidades? Não deixe de conferir as últimas notícias da Tekimobile!
Isso levou ao que ele descreveu como um “enorme, enorme gargalo intelectual”. Muitos dados simplesmente não estão sendo computados, embora haja um grande potencial para ser proativo e encontrar coisas mais cedo.
“Não é uma acusação de nenhum lugar em particular”, enfatizou McCaffrey. “É apenas geralmente o estado da saúde.” Sem a IA, “você não pode implantar a inteligência, o escrutínio, o trabalho de pensamento na escala necessária para pegar tudo.” Ferramentas como o POCO Launcher mostram como a tecnologia pode facilitar o nosso dia a dia.
Este conteúdo foi auxiliado por Inteligência Artificiado, mas escrito e revisado por um humano.
Via VentureBeat