Os Modelos de Linguagem de Grande Escala (LLM) podem ajudar neurologistas na análise de vítimas de AVC?

A inteligência artificial (IA) é uma das maiores inovações tecnológicas desta década. O lançamento do ChatGPT impulsionou particularmente a IA para o mainstream, com suas aplicações se estendendo por vários setores, incluindo a saúde. Notavelmente, os neurologistas provavelmente se beneficiarão significativamente ao usar IA para identificar com precisão as localizações de AVCs no cérebro, como revelado por um estudo recente.

Falando sobre AVCs, eles são uma das principais causas de morte entre os americanos; a cada 40 segundos, alguém nos EUA sofre um AVC, e a cada 3 minutos e 14 segundos, alguém morre por causa dele. Além da mortalidade, os AVCs podem causar incapacidades de longo prazo. Portanto, identificar a localização do AVC no cérebro pode ajudar a prever seus efeitos a longo prazo, que podem variar amplamente, desde prejudicar a mobilidade de um indivíduo até afetar habilidades de linguagem e fala. Além disso, a IA pode ajudar a determinar o prognóstico de uma pessoa e a melhor forma de tratamento.

Normalmente, exames de imagem cerebral ajudam a encontrar a localização das lesões, que são áreas de dano tecidual causadas por AVCs. No entanto, nem todos têm acesso a neurologistas para esses exames.

Para suprir essa lacuna, “queríamos determinar se o GPT-4 poderia localizar com precisão as lesões cerebrais após um AVC com base no histórico de saúde da pessoa e em um exame neurológico”, disse o autor do estudo Jung-Hyun Lee, MD, membro da American Academy of Neurology e da State University of New York, Downstate Health Sciences University em Brooklyn.

Outros participantes do estudo incluem Eunhee Choi, MD, Departamento de Medicina Interna, Lincoln Medical Center, NY; Robert McDougal, MD, Departamento de Biostatística da Yale School of Public Health e Programa de Biologia Computacional e Bioinformática no Wu-Tsai Institute; e William W. Lytton, MD, Departamento de Neurologia da State University of New York Downstate Health Sciences University e Departamento de Neurologia do Kings County Hospital.

Publicado no jornal online da American Academy of Neurology, Neurology® Clinical Practice, o estudo demonstrou a capacidade da IA de processar textos de exames neurológicos e históricos de saúde para identificar a localização da lesão no cérebro.

Para isso, a equipe utilizou o modelo de linguagem de grande escala (LLM) GPT-4. Esse transformador pré‑treinado generativo foi treinado com enormes quantidades de dados e mostrou “capacidades notáveis” na geração de respostas textuais a consultas baseadas em texto.

Esse esforço não é o primeiro do tipo, pois a funcionalidade dos LLMs já foi explorada anteriormente ao responder perguntas abertas feitas por médicos. Contudo, softwares anteriores desenvolvidos para localização de lesões eram bastante limitados em escopo. O objetivo deste estudo é avaliar a capacidade do GPT‑4 na localização de lesões agudas de AVC com base na apresentação clínica, demonstrando assim o papel potencial que a IA pode desempenhar como ferramenta clínica em neurologia no futuro.

Enorme Potencial

Neste estudo, os pesquisadores compilaram os históricos de saúde e os exames físicos neurológicos de 46 casos publicados de pacientes que sofreram AVC. Esses dados textuais foram então inseridos no GPT‑4. Utilizando técnicas de prompting Zero‑Shot Chain‑of‑Thought e Classificação de Texto, o modelo foi encarregado de responder a três perguntas específicas sobre cada paciente, repetidas três vezes: se o participante tinha lesões únicas ou múltiplas, em que lado do cérebro as lesões estavam localizadas e em qual região do cérebro as lesões foram encontradas.

Ao comparar os resultados do GPT‑4 com as imagens cerebrais de cada participante, os pesquisadores descobriram que os resultados foram bastante satisfatórios, exceto para lesões no cerebelo e na medula espinhal.

O GPT‑4 demonstrou um alto grau de precisão na identificação da localização das lesões cerebrais na maioria dos casos, alcançando uma especificidade de 87% (percentual de negativos corretamente identificados) e 74% de sensibilidade (percentual de positivos reais corretamente identificados). O modelo também atingiu uma especificidade de 94% e sensibilidade de 85% ao determinar as regiões cerebrais mais afetadas.

O estudo ainda constatou que o modelo identificou consistentemente o número de lesões cerebrais em 76% dos participantes, a localização das lesões em 83% e as regiões cerebrais específicas envolvidas em 87% dos casos. Contudo, ao avaliar as respostas do modelo às três perguntas em três tentativas para cada participante, sua consistência diminuiu drasticamente, com o GPT‑4 fornecendo respostas corretas para apenas 41% dos participantes.

Isso indica que os LLMs, como os transformadores pré‑treinados generativos (GPT), “ainda não estão prontos para uso clínico”. No entanto, eles mostram potencial na identificação da localização de lesões pós‑AVC e podem reduzir disparidades na saúde, graças à sua capacidade de operar em diferentes idiomas.

O estudo também destaca a crescente importância da expertise neurológica para a intervenção em AVCs, especialmente com o aumento do uso de telemedicina. Além disso, o modelo pode auxiliar em decisões oportunas para avaliar a necessidade de exames de imagem adicionais ou até mesmo de consulta com neurologista.

De acordo com Lee: 

“O potencial de uso é encorajador, especialmente devido à grande necessidade de melhorar os cuidados de saúde em áreas carentes em vários países onde o acesso ao atendimento neurológico é limitado.” 

Vale notar que a precisão do GPT‑4 depende da qualidade dos dados fornecidos, e informações detalhadas sobre histórico médico e exames neurológicos podem nem sempre estar disponíveis para todos que sofrem um AVC.

O estudo enfatizou que os pesquisadores estavam trabalhando com um LLM sem treinamento médico ou ajuste fino. Além disso, observou‑se que os relatos de casos atípicos frequentemente careciam de históricos de saúde e exames neurológicos suficientemente detalhados. Assim, imprecisões surgiram tanto da falta de informação nos casos publicados quanto de falhas lógicas ou lacunas na base de conhecimento subjacente.

Portanto, há necessidade de mais pesquisas em termos logísticos, legais, de segurança e privacidade do paciente, garantindo precisão e consistência, e integração com fluxos de trabalho hospitalares para a utilização viável dos LLMs em ambientes clínicos.

Click here to learn why 2023 was a breakout year for artificial intelligence.

Crescente Importância e Uso de LLMs na Saúde

O estudo mostra ótimos resultados, apresentando mais um exemplo do papel crescente dos LLMs na saúde — um campo que tem recebido muita atenção. Afinal, eles estão transformando o setor de inúmeras maneiras. Seu uso está gradualmente passando da fase de exploração para a aplicação prática, impactando agora a pesquisa clínica e o cuidado ao paciente. Sua capacidade de processar volumes massivos de dados, oferecer insights em tempo real e produzir textos de qualidade humana com conhecimento profissional está revolucionando o setor.

Treinados com grandes quantidades de dados complexos, incluindo texto, imagens e vídeos obtidos da internet, esses modelos encontram aplicações versáteis em diversas áreas, inclusive na medicina.

Tudo começou a ganhar força quando a OpenAI, apoiada pela Microsoft (MSFT ), lançou seu primeiro LLM, o GPT‑1, em 2018. Sua ampla adoção foi impulsionada pela acessibilidade pública e usabilidade conveniente. Essas características resultaram da incorporação do aprendizado por reforço a partir de feedback humano (RLHF), que ajudou a fornecer respostas mais credíveis e semelhantes às humanas em comparação com versões anteriores.

Desde o lançamento do chatbot baseado em LLM, o ChatGPT, várias empresas de tecnologia, como Meta (Llama), Google (BARD), Amazon (AMZN ) e a Anthropic (Claude), apoiada pela Salesforce , lançaram seus próprios LLMs. Enquanto isso, a versão mais recente da OpenAI, o GPT‑4, tem demonstrado capacidades aprimoradas, como superar a pontuação mínima de aprovação do Exame de Licenciamento Médico dos EUA (USMLE).

Com isso, o ChatGPT demonstrou sua utilidade para fins médicos; ao ajustar finamente os LLMs e proporcionar treinamento adicional, podemos usá‑los para melhorar o cuidado ao paciente. A comunicação humana é parte essencial disso, e a capacidade semelhante à humana do GPT tem permitido ser bastante eficaz na satisfação do paciente e na promoção de resultados clínicos ótimos.

Embora processar enormes quantidades de dados seja desafiador para humanos, os LLMs conseguem fazê‑lo em frações de tempo. Eles simplificam esse processo organizando os dados, permitindo que façamos bom uso deles. Não apenas dados passados; os LLMs analisam continuamente novos dados que chegam, como sinais vitais e sintomas do paciente, auxiliando grandemente os profissionais de saúde a tomar decisões rápidas e em tempo real.

Ao analisar vastos conjuntos de dados de literatura científica, ensaios clínicos, diretrizes de tratamento e prontuários médicos, os LLMs também aceleram a pesquisa médica, ajudando a identificar novos tratamentos e desenvolver terapias eficazes. Esses modelos podem ainda estabelecer correlações e detectar padrões que avançam nossa compreensão de doenças e impulsionam a pesquisa médica.

Além disso, esses modelos fornecem insights valiosos que ajudam os profissionais de saúde a tomar decisões clínicas, como diagnósticos precisos e planejamento de tratamento personalizado, levando a um cuidado ao paciente aprimorado. Não apenas os profissionais, mas os LLMs também capacitam os pacientes ao oferecer informações compreensíveis e acessíveis, permitindo que compreendam melhor suas condições e participem ativamente de suas jornadas de saúde.

Click here to learn what makes AI a jack of all trades.

Impulsionando a Inovação na Saúde

Dada a vasta gama de benefícios e potencial, o mercado de IA generativa em saúde atingiu uma avaliação de mais de US$ 1 bilhão em 2022 e deve crescer para US$ 22 bilhões até 2032, segundo o Generative AI Tracker.

No que diz respeito ao uso de IA no setor de dispositivos médicos, a cardiologia tem liderado essa tendência, com 57% dos dispositivos médicos habilitados para IA aprovados pela FDA em 2022 pertencentes à cardiologia, de acordo com a GlobalData. Essa tendência deve continuar, com os gastos em IA por empresas de dispositivos médicos projetados para crescer a um CAGR de 20,6% entre 2019 e 2024.

No futuro, poderemos até ver a integração da IA com impressão 3D de biotecnologia para criar órgãos totalmente funcionais adaptados às necessidades específicas de cada paciente.

Esse potencial tem levado muitas organizações tradicionais a lançar soluções especializadas alimentadas por IA para a indústria da saúde. Por exemplo, a Microsoft oferece uma solução especializada chamada Nuance Dragon Ambient eXperience (DAX). Ela captura conversas entre clínico e paciente, as converte em notas e as integra aos prontuários eletrônicos (EHRs).

O Google já revelou seu MedLM, um LLM focado em saúde disponível via plataforma Vertex AI. Desde então, a empresa tem treinado seus modelos de IA de saúde com as pesquisas mais recentes para aplicar IA ao setor de saúde. O modelo tem sido usado por organizações parceiras para criar soluções como a otimização da transição de enfermeiros e o suporte à documentação dos clínicos.

Ainda no mês passado, o Google adicionou novas capacidades ao seu modelo e lançou MedLM for Chest X-rays para mudar a forma como a radiologia funciona. A ideia é que a IA generativa apoie organizações de saúde ajudando na categorização de radiografias torácicas para diversos casos de uso.

Mas isso não é tudo. O Google Research está trabalhando com a Fitbit para construir um modelo de linguagem de grande escala para saúde pessoal que pode alimentar recursos de bem‑estar no aplicativo móvel da Fitbit. Esse modelo está sendo desenvolvido para oferecer coaching individualizado a todos, com base em seus objetivos de saúde e condicionamento físico.

A Amazon Web Services (AWS) também oferece o HealthScribe, que analisa conversas de consultas para criar notas clínicas resumidas para segmentos como avaliação, histórico da doença atual e plano de tratamento. As organizações podem então integrar essas notas em aplicativos clínicos para recapitular as visitas dos pacientes de forma mais eficiente.

No início deste ano, a empresa de tecnologia médica Siemens Healthineers (SHL.SW ) (SHL.DE ) se juntou ao Indian Institute of Science (IISc) para lançar o Laboratório Colaborativo Siemens Healthineers‑Computational Data Sciences (CDS) para IA em Medicina de Precisão. O foco do laboratório é desenvolver ferramentas de IA de código aberto para automatizar a segmentação precisa de achados patológicos em dados de neuroimagem. Isso ajudará no diagnóstico mais preciso de doenças neurológicas e na análise de seus efeitos clínicos.

Este é apenas o começo da tendência crescente de IA no setor médico. Espera‑se que o papel da inteligência artificial seja muito maior. Atualmente usada para gerar modelos 3D específicos ao paciente em tempo real durante cirurgias, a IA deve evoluir ainda mais para oferecer experiências interativas de saúde que transformem a educação e o engajamento do paciente. Até mesmo na edição genômica, espera‑se que a IA vá além da simples análise de dados genéticos complexos, fornecendo previsões mais precisas de associações gene‑doença para edições genéticas altamente personalizadas.

Sessões de terapia imersiva em realidade virtual alimentadas por IA para tratamento de saúde mental são outra forma de a tecnologia ser utilizada no setor. Além disso, existem nanobots que podem usar IA para identificar e tratar uma ampla gama de condições médicas em estágios iniciais.

Entretanto, a aplicação de LLMs na saúde não está isenta de preocupações. Existem questões éticas relacionadas à privacidade, transparência e segurança que pesquisadores, profissionais de saúde e organizações médicas precisam observar. Esses modelos também podem ser usados para disseminar desinformação devido à falta de responsabilidade, algo que deve ser considerado. Sem mencionar a limitação inerente de reproduzir vieses existentes.

Governos ao redor do mundo estão trabalhando para enfrentar os problemas trazidos pela IA. A Europa já criou um marco legal para a IA, enquanto o Departamento de Saúde e Assistência Social do Reino Unido planeja melhorar a transparência dos dados usados no desenvolvimento de dispositivos médicos que utilizam IA.

Click here to learn about the growing synergy of AI & neurology.

Conclusão

Os LLMs já estão sendo cada vez mais utilizados na indústria médica e espera‑se que continuem crescendo em adoção e impacto. Contudo, é importante que esses modelos sejam usados de forma responsável e que os dados subjacentes sejam de qualidade suprema, sem vieses inerentes ou desinformação, para fornecer resultados mais precisos e melhores desfechos para os pacientes.

Click here to learn all about investing in artificial intelligence.