Como a IA generativa pode ajudar os médicos a interpretar os resultados dos testes de ABG?

No AWS Summit em Washington, DC, uma especialista da Harvard Medical School explica como um grande modelo de linguagem pode interpretar descobertas de exames de gases no sangue arterial.

“A medicina não é feita apenas de histórias que fazem você se sentir bem”, disse a Dra. Christine Tsien Silvers, consultora executiva de saúde da Amazon Web Services. “Eu cuidei de pacientes que meus colegas e eu não conseguimos salvar, e vi pessoas cometerem erros.”

Ela relatou a experiência de um paciente pediátrico que recebeu a dose errada de um medicamento porque ninguém na equipe de atendimento percebeu que estava escrito incorretamente. Embora não esteja claro exatamente quantos pacientes morrem anualmente por causa de erros médicos, as estimativas estão na casa das centenas de milhares.

“Há pessoas boas trabalhando em um sistema ruim que precisa ser tornado mais seguro”, disse Silvers. “Os EUA têm o pior desempenho, apesar de gastarem mais. O que podemos fazer?”.

Ferramentas de inteligência artificial generativa podem mitigar ainda mais o esgotamento dos clínicos ao gerar automaticamente encaminhamentos, resumir pesquisas, redigir notas clínicas usando escuta ambiente, explicar medicamentos aos pacientes e verificar os pacientes que são admitidos no hospital.

Das eficiências clínicas e operacionais à pesquisa médica e experiência do paciente, a IA generativa pode ajudar em muitos aspectos da assistência médica. Em um caso de uso do mundo real, a Harvard Medical School está usando IA generativa para ajudar a interpretar rapidamente os resultados dos testes de gases no sangue arterial.

De acordo com a Cleveland Clinic, um teste ABG mede os níveis de oxigênio e dióxido de carbono no sangue, além do equilíbrio do pH. Ele requer uma amostra de sangue retirada de uma artéria e pode ser usado para avaliar condições, incluindo síndrome do desconforto respiratório agudo, sepse, choque hipovolêmico, ataque de asma, parada cardíaca, insuficiência respiratória e insuficiência cardíaca. Este teste é frequentemente realizado em situações de emergência, e a interpretação correta de seus resultados pode ser crucial.

O Dr. Praveen N. Meka, médico do Dana-Farber Cancer Institute e instrutor da Harvard Medical School, falou sobre como a universidade aplicou IA generativa a um banco de dados de resultados de testes de gasometria arterial para aumentar a velocidade de interpretação.

Ele e sua equipe criaram primeiro um banco de dados ABG consistindo de 50 resultados cobrindo diferentes cenários médicos. Eles usaram o modelo de linguagem grande Anthropic Claude v2 via Amazon Bedrock para interpretar os resultados. Na primeira passagem, a precisão do modelo foi inferior a 50%. Eles então conduziram uma engenharia rápida na qual esclareceram ainda mais como as faixas de pressão parcial de dióxido de carbono deveriam ser interpretadas. Em seguida, eles introduziram uma arquitetura de geração aumentada por recuperação, fornecendo mais contexto ao LLM de propósito geral para reduzir alucinações. A precisão subiu para 75%, o que Meka disse que ainda estava longe do que um ambiente clínico exige.

A equipe teve que resolver uma limitação com o modelo envolvendo cálculos matemáticos, atingindo até 98% de precisão com este processo de duas etapas. Embora o suporte à decisão clínica não seja novidade, ferramentas de IA generativa podem dar melhor suporte à eficiência clínica.  

Mais uma vez, a tecnologia se mostra aliada no cotidiano da medicina, seja na realização de ensaios ou atendimento final. Na Caren.app, vivemos essa realidade otimizando a gestão médica de grandes planos de saúde nacionais. Acesse www.caren.app e construa o futuro conosco.

Leia na íntegra em www.healthtechmagazine.net