Esses avanços não apenas aliviam a carga dos profissionais de saúde, mas também ampliam o o a tecnologias inovadoras, beneficiando tanto especialistas quanto o público em geral.
O termo IA engloba diversas tecnologias, incluindo o aprendizado de máquina (machine learning, ML), que utiliza algoritmos e modelos estatísticos para aprender e se adaptar com base em dados. O aprendizado profundo (deep learning), uma subárea do ML, refina modelos pré-treinados para realizar tarefas complexas, como reconhecimento de imagens e fala.
Além disso, a IA generativa cria novos conteúdos por meio de modelos gerativos, como ferramentas de produção de texto. Grandes modelos de linguagem (Large Language Models, LLMs), como o ChatGPT, representam um marco significativo, gerando textos inéditos e similares aos produzidos por humanos a partir de grandes volumes de dados.
O aprendizado de máquina pode ser descrito como uma abordagem matemática para o reconhecimento de padrões, como a regressão, que aprimora sua precisão conforme mais dados são processados. Entre as técnicas comuns estão árvores de decisão, gradient boosting e redes neurais. Estas últimas formam a base do aprendizado profundo, que utiliza múltiplas camadas de reconhecimento de padrões para analisar dados complexos, como imagens médicas.
Um marco no aprendizado profundo foi o desenvolvimento das redes neurais convolucionais, entre 2010 e 2012, permitindo uma classificação detalhada de imagens. Essa tecnologia impulsionou avanços como a análise de radiografias de tórax para prever riscos cardiovasculares, ampliando o uso de exames de rotina para novas aplicações.
A IA generativa cria conteúdos inéditos, como imagens ou textos, por meio de refinamento iterativo a partir de comandos específicos. Apesar de promissora, apresenta limitações, incluindo a possibilidade de gerar resultados imprecisos ou fictícios, conhecidos como "alucinações".
Na saúde, a IA generativa já demonstra utilidade em diversas áreas:
Outras aplicações incluem cirurgia robótica, monitoramento por dispositivos vestíveis (wearables), saúde mental, telemedicina, educação médica e combate a epidemias.
Na hematologia, a IA auxilia na análise de lâminas digitais preparadas a partir de coletas de sangue ou medula óssea, identificando células normais e anomalias, como células leucêmicas ou alterações nos glóbulos vermelhos. Essas ferramentas fornecem e para decisões clínicas, sugerindo possíveis diagnósticos ou destacando áreas de interesse em lâminas para revisão pelo hematologista. Além disso, sistemas baseados em IA classificam cromossomos na citogenética e identificam padrões em citometria de fluxo, contribuindo para a classificação de subtipos de doenças, como leucemias e linfomas, com maior rapidez e precisão.
Embora promissora, a implementação da IA exige rigor para garantir precisão e confiabilidade. A possibilidade de "alucinações" preocupa profissionais e instituições, tornando essencial a supervisão humana, além de regulação e controle dessas tecnologias.
Pacientes expressam preocupações quanto ao uso da IA, como erros diagnósticos, privacidade de dados e redução da interação humana. Para superar essas barreiras, é crucial reforçar que a IA é uma ferramenta de apoio, e não um substituto, no processo clínico. Exemplos práticos, como sistemas que verificam interações medicamentosas ou agilizam o atendimento em emergências, demonstram seus benefícios diretos.
Garantir que os profissionais de saúde continuem no centro das decisões clínicas é vital para preservar a relação humana na medicina e tranquilizar os pacientes. Além disso, o monitoramento rigoroso do desenvolvimento de modelos de IA - desde a coleta de dados até sua aplicação - é fundamental para garantir que sejam éticos, representativos e seguros. Embora a IA possa revolucionar diagnósticos e tratamentos, enfrenta desafios como privacidade, viés algorítmico e falta de transparência.
A IA representa uma oportunidade transformadora na saúde, mas sua integração deve ser orientada pela transparência, ética e foco no paciente. Como ferramenta de e, ela amplia o potencial inovador dos profissionais de saúde, preservando a empatia e o cuidado humano que são essenciais à prática médica.
*Texto escrito pelo hematologista Phillip Scheinberg (CRM - 87.226), chefe da Hematologia da BP - A Beneficência Portuguesa de São Paulo e membro do Brazil Health