Episódio 2: A interseção entre cuidados de saúde e IA com Jeff Elton
No segundo episódio do nosso podcast Innovative Technology Insights, Jeff Elton, CEO da ConcertAI, junta-se a Natasha Allen para uma discussão perspicaz sobre a crescente interseção entre cuidados de saúde e inteligência artificial – Quais são as áreas da medicina que mais se beneficiam da IA? Como é que esta adoção ajudará a resolver as disparidades na saúde? Onde estão as potenciais armadilhas éticas? E o que podem as empresas fazer para preparar os seus negócios para esta mudança?
Aprofunde-se:
- A inteligência artificial entra na investigação com células estaminais
- A IA pode transformar a medicina de precisão?
A transcrição do episódio abaixo foi editada para maior clareza.
Natasha Allen
Sejam todos bem-vindos. O meu nome é Natasha Allen e sou sócia do escritório da Foley no Vale do Silício e copresidente da área de foco em IA dentro do nosso setor de Tecnologia Inovadora. No podcast de hoje, discutiremos a IA na área da saúde.
Para me ajudar com a sua experiência no assunto, está aqui o Jeff Elton. O Jeff é CEO da ConcertAI, que oferece soluções de investigação e soluções centradas no paciente para ciências da vida, inovações e os principais fornecedores mundiais. Antes de entrar para a ConcertAI, o Jeff ocupou cargos de gestão na Accenture e na Novartis Institutes of Biomedical Research Inc.
Jeff Elton
Muito obrigado, Natasha.
Natasha Allen
Obrigado por se juntar a mim hoje. Vamos direto ao assunto. Assim como em muitos setores, a tecnologia de IA terá um grande impacto na área da saúde. No entanto, o setor de saúde enfrenta alguns desafios em relação à implementação da IA. Você acha que a adoção da IA na área da saúde está atrasada?
Jeff Elton
É difícil dizer se está atrasada, mas certamente está a avançar. Primeiro, abordarei algumas das questões que surgem em torno da IA e dos cuidados de saúde. A IA representa um modelo que permite prever características de um paciente para fazer uma interpretação das suas necessidades ou aumentar uma interpretação que um profissional médico possa fazer. E tem a capacidade de lidar com grandes quantidades de dados e informações.
Normalmente, a IA é treinada. E é aí que surgem algumas preocupações. Esse treinamento geralmente é feito com dados retrospectivos, incluindo imagens, patologia digital, dados radiológicos, registos médicos eletrónicos, etc. A questão subjacente é se esses conjuntos de dados de treinamento realmente representam a população que está a ser analisada. A transparência é fundamental. Pode confiar na metodologia de treino? Escolheu o tipo certo de grupo para realizar o treino primário? Existe um processo de conservação ou preservação de alguns para fazer a validação ex post e é necessário haver alguma aleatoriedade entre eles quando se começa a fazer isso.
E depois vem a estabilidade. As populações nem sempre são as mesmas. Fazemos paradigmas de tratamento e os resultados melhoram, então qualquer modelo de IA construído uma vez pode não continuar sempre a apresentar o mesmo desempenho que existe.
O campo está a amadurecer na forma como avança e atrai pessoas. Mas, nas áreas clínicas em que atuamos, há uma expectativa muito alta de que a IA seja parte integrante de praticamente todas as partes do sistema de saúde. O resultado é uma quantidade enorme de dados e complexidade. A IA pode realmente ajudar os tomadores de decisão, criando uma base que permite confiança, transparência e considerações de equidade na área da saúde.
Natasha Allen
Você mencionou isso brevemente – quais são algumas das questões éticas que você acha que estão associadas a isso e os cenários regulatórios que estão a afetar essas questões?
Jeff Elton
As questões éticas têm a ver com se você está a ver todas as subpopulações a comportarem-se como seria de esperar. Grande parte da investigação biomédica que fazemos tende a ocorrer em centros médicos académicos e [eles] também tendem a estar em áreas urbanas.
As pessoas que procuram tratamento em centros médicos académicos tendem a ter mais recursos financeiros. Elas tendem a ser mais saudáveis, mesmo que estejam a procurar tratamento. Isso é verdade mesmo em áreas como o tratamento do cancro. Os pacientes geralmente são mais saudáveis e menos descompensados. Nem todos se parecem com os 80% dos pacientes que recebem cuidados na comunidade ou em um sistema de saúde de varejo. Digo isso porque esse tem sido o epicentro de muitas inovações biomédicas. Parte da consideração ética é alinhar o modelo de IA com dados populacionais relevantes — aqueles que realmente sofrem com as condições.
Natasha Allen
Como a IA pode ajudar a resolver as disparidades na área da saúde?
Jeff Elton
Acho que a IA está a ser injustamente atribuída a preconceitos. Isso não precisa ser assim. Na verdade, há muitos esforços e pessoas trabalhando para usar a IA para garantir a equidade nos cuidados de saúde. Um exemplo é o cancro da próstata, que pode afetar desproporcionalmente os homens negros americanos. Durante o desenho do ensaio, posso precisar garantir que os valores laboratoriais do ensaio, mesmo onde ele será realizado, permitam a participação substancial de subcoortes. Para os homens afro-americanos nesse caso específico, o objetivo é que os resultados sejam estatisticamente válidos para essa subpopulação ou subgrupo. Os modelos e ferramentas de IA e a conceção do ensaio estão agora a trazer essa capacidade.
Da mesma forma, posso precisar identificar os locais clínicos que têm a capacidade de obter a participação adequada de pacientes com características diversas para lidar com possíveis disparidades e desigualdades na área da saúde. Mais uma vez, os modelos de IA estão a contribuir muito para começar a fazer isso – até mesmo nos fluxos de trabalho dos prestadores de cuidados de saúde. Estamos agora a desenvolver soluções de identificação de pacientes, trabalhando com esses prestadores para identificar os pacientes e garantir que todos aqueles que potencialmente atendem aos critérios de elegibilidade sejam incluídos no estudo — particularmente aqueles que podem ser afetados de forma desproporcional. Nesses casos específicos, estamos a aproveitar os modelos de IA e os dados para superar as desigualdades e disparidades históricas.
Natasha Allen
Isso é incrível. Quais áreas da medicina você acha que estão mais bem posicionadas para se beneficiar da IA?
Jeff Elton
Vou dividir a resposta em alguns elementos diferentes. Onde já estamos a ver os benefícios a surgir? Então, como vemos isso a começar a evoluir e mudar? E para onde isso pode levar a médio prazo e, depois, a longo prazo?
Do lado dos prestadores, principalmente na área de imagiologia radiológica, houve muitos avanços nos modelos de IA para interpretação de imagens. Isso é verdade tanto na imagiologia bidimensional (raios X) quanto na imagiologia tridimensional avançada (ressonância magnética). A IA pode desempenhar muitas funções diferentes. Não só tenho uma imagem, como também posso fazer o pré-processamento da imagem. Posso usá-la para limpar e refinar características da imagem, permitindo que os modelos de IA realizem um trabalho mais eficaz.
Por que isso é importante? Uma razão é que os radiologistas estão a tornar-se cada vez mais escassos. Essa é uma consideração prática. O número de novos radiologistas a entrar na profissão em comparação com aqueles que se aposentam, em relação à demanda pela profissão, está em constante mudança.
Em segundo lugar, os modelos de IA não se cansam. Eles podem auxiliar no diagnóstico primário para garantir que as características sejam apresentadas aos radiologistas para sua aceitação. Os seus resultados também não precisam ser sempre aceitos sem questionamentos.
Os modelos de IA também podem ser usados para revisões pós-secundárias, a fim de garantir que características críticas não sejam perdidas ou levantem bandeiras vermelhas para melhorar a qualidade geral do atendimento. A longo prazo, veremos uma mudança para a patologia digital, pois muitas das mesmas abordagens baseadas em modelos funcionarão nessa área. Com essas lâminas digitais provenientes da patologia anatómica em diferentes plataformas, começará a ver convergências técnicas em torno disso.
A próxima camada da convergência é conectar registos médicos eletrónicos e outros tipos de dados aos dados de imagem. Tomemos como exemplo os registos médicos eletrónicos. Provavelmente terei um paciente com cancro de pulmão de células não pequenas. Vou fazer uma interpretação da imagem e também vou trazer partes do registo médico com dados moleculares. A integração desses dois elementos vai ajudar ainda mais na precisão.
Agora, o que estou a fazer não é apenas a leitura da imagem em si, estou a começar a avançar para a seleção dos tratamentos para os ensaios clínicos aos quais o paciente pode ser elegível. Não vou dizer que isto é um apoio à decisão clínica.
Na verdade, essa é uma característica muito importante, devido à forma como a IA continuará a transformar os cuidados de saúde. É como uma pintura pontilhista, no sentido de que se obtém muitas soluções de abertura muito pequena, feitas com precisão exímia. Juntas, elas começam a fornecer cada vez mais funcionalidades, apoiando a tomada de decisões dessas equipas clínicas específicas e garantindo que não percam características importantes.
Eventualmente, haverá interligação entre os tipos de dados e, em seguida, interligação entre diferentes disciplinas. Haverá então uma convergência na arquitetura de decisão. Na verdade, as fontes de dados clínicos – fontes de dados de registos médicos eletrónicos – terão, na realidade, um pouco menos de utilidade. Camadas de dados mais inteligentes e sofisticadas serão capazes de se integrar em várias modalidades de dados. Esses modelos são o que vai começar a impulsionar níveis mais elevados de qualidade, produtividade e precisão muito maior na previsão e promoção de resultados muito melhores para os pacientes.
Natasha Allen
Isso é muito bom. Agora vamos falar um pouco sobre a ConcertAI. Como a ConcertAI está a usar a IA na sua empresa?
Jeff Elton
A IA pode ser considerada em três níveis diferentes. Utilizamos IA nas nossas próprias operações. Como empresa, trabalhamos com centenas de prestadores de cuidados de saúde. Algumas das nossas soluções clínicas são implementadas com 1400 prestadores na Europa, nos Estados Unidos e no Japão. Trabalhamos com centenas aqui nos Estados Unidos em diferentes aspetos de cancros específicos. Embora não nos dediquemos exclusivamente ao cancro, damos-lhe uma ênfase muito grande.
Estamos a utilizar IA e modelos de processamento de linguagem natural para ler as partes estruturadas dos registos. Podem ser documentos PDF, notas de médicos e enfermeiros, entre outros. Com a IA, podemos analisá-los, transformando todos os dados inacessíveis e ilegíveis num formato legível por máquina, para que a análise possa ser feita.
Também utilizamos modelos de IA para interrogar os dados para controlo de qualidade. Procuramos valores que não podem ser encontrados na natureza. Por exemplo, a temperatura humana não deve ser registada como 131 graus Fahrenheit – isso não seria possível. Pode realmente começar a usar isso para controlo de qualidade. Nas nossas operações, a IA e o processamento de linguagem natural informam como gerimos e processamos os dados.
Então, acima desse nível, começamos a desenvolver modelos e soluções de IA que são muito específicos na nossa camada de software como serviço (SaaS). Temos um conjunto de soluções analíticas. Existe algo chamado estado metastático, que avalia em que ponto os pacientes se encontram na jornada do cancro. Nos registos médicos eletrónicos, isso geralmente é feito apenas no primeiro ponto do diagnóstico. Temos modelos de IA que podem ler o registo do paciente e avaliar esse estado em qualquer momento. O cancro de pulmão de células não pequenas não tem o seu próprio código CID. Com o nosso modelo, podemos ler o registo e avaliar se se trata de um cancro de pulmão de células não pequenas ou de células pequenas. Esse é um processo preditivo bastante complexo.
Esse é o nosso tipo de ambiente analítico. Temos ferramentas de desenho de ensaios clínicos que garantem que os estudos clínicos possam ser desenhados de forma robusta, com o mínimo de carga e viés. Conforme discutido, estamos a usar soluções de IA para tudo, desde a identificação de pacientes elegíveis para tratamento até a nossa solução TeraRecon, que é uma solução de interpretação de imagens radiológicas.
Estamos também a lançar uma camada de aprendizagem automática de IA que irá implementar soluções de software e dispositivos médicos. Será uma arquitetura aberta que permitirá que entidades prestadoras de serviços e outros terceiros integrem os seus modelos e arquitetura.
Consideramos que o nosso papel é reunir grandes quantidades de dados, de diferentes tipos, para diferentes tomadores de decisão – orquestrando isso de uma forma que ajude na sua eficiência e eficácia em áreas que antes não eram possíveis. Em profunda parceria com inovadores biomédicos e prestadores de cuidados de saúde, estamos, de certa forma, aninhados entre dois ecossistemas. Temos 150 modelos de IA ativamente implementados em produção.
Natasha Allen
Uau, isso é incrível. Uma última pergunta. Digamos que haja uma empresa que queira implementar IA nas suas operações. Tem alguma dica ou sugestão para ela?
Jeff Elton
Gestão de dados – a preparação dos dados e a acessibilidade dos dados de uma empresa são um dos grandes obstáculos. Francamente, se você observar a nossa equipa de ciência de dados, cerca de 70% do trabalho deles consiste em preparar os dados antes de poderem realmente começar a desenvolver o modelo.
Muitas organizações que estão a pensar em IA e a começar a incorporar inteligência nos seus negócios vão se preocupar com a recolha e organização de dados. Historicamente, as grandes aplicações empresariais bloqueavam os dados em partes da infraestrutura alinhadas funcionalmente. Já a IA e o aprendizado de máquina se concentram em aproveitar a inteligência que orquestra funções de maneiras que não são rígidas e inflexíveis. O primeiro passo é superar a arquitetura de dados legada nesse nível fundamental.
A próxima parte do processo é a governança. Pense nos tipos de modelos que estão a ser desenvolvidos, onde estão a ser implementados, qual é a sua utilização, quais serão os fluxos de trabalho e como decidir quando os resultados são válidos ou não. É sempre desejável ter um processo de tomada de decisão suave e discreto – desde o desenvolvimento e implementação do modelo até ao lançamento e supervisão.
A última parte é antecipar e permitir fluxos de trabalho dinâmicos – unindo inteligência e orquestração – buscando novas eficiências e formas mais inteligentes de trabalhar. Poderá descobrir que as operações antigas, que eram muito mais sequenciais, podem não parecer as mesmas. A nossa opinião pessoal é que vemos um enorme valor na IA. Vemos isso na nossa própria organização e vemos isso no que somos capazes de oferecer à nossa base de clientes.
Natasha Allen
Isso é incrível. Muito obrigado, agradeço por ter dedicado o seu tempo para nos explicar como a IA é usada e pode ser usada na área da saúde, além de alguns dos benefícios e pontos que precisam ser melhorados. Agradecemos muito pelo seu tempo. Obrigado a todos por participarem, até a próxima.
O podcast Innovative Technology Insights da Foley & Lardner concentra-se nas inovações abrangentes que moldam o panorama empresarial, regulatório e científico atual. Com oradores convidados que trabalham em diversos campos, desde inteligência artificial até genómica, as nossas discussões examinam não só as implicações legais dessas mudanças, mas também o impacto que elas terão nas nossas vidas diárias.
