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.

IA generativa na prática médica

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:

• Radiologia: análise de exames como radiografias, ultrassom, tomografias computadorizadas (TC) e ressonâncias magnéticas (RM) para detectar anormalidades.
• Patologia: identificação de padrões em lâminas histopatológicas para diagnósticos, como câncer.
• Detecção Precoce: avaliação de dados clínicos para identificar sinais iniciais de doenças, como diabetes, doenças cardiovasculares, insuficiência respiratória e câncer.
• Prontuários: automatização do registro médico, com geração de notas clínicas e resumos.
• Automação de Fluxo de Trabalho: redução de tarefas istrativas, como agendamentos, faturamento e documentações.
• Tarefas Repetitivas: otimização do tempo dos profissionais de saúde, permitindo que se concentrem em cuidados diretos ao paciente.
• Descoberta de Novas Drogas: identificação de alvos biológicos (como proteínas ou genes) e criação de novas moléculas.
• Pesquisa Clínica: planejamento e monitoramento de estudos clínicos, análise de dados e automatização de tarefas istrativas relacionadas.

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.

Construindo a confiança dos pacientes na IA

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.

Conclusão

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