IA supera humanos em análise médica

Em um teste inicial de inteligência artificial na pesquisa em saúde, cientistas da Universidade da Califórnia em São Francisco e da Universidade Wayne State descobriram que a IA generativa pode processar grandes conjuntos de dados médicos muito mais rápido do que equipes tradicionais de ciência da computação. Em alguns casos, os resultados foram até melhores. Especialistas humanos haviam passado meses analisando as mesmas informações.

Para comparar o desempenho diretamente, os pesquisadores atribuíram tarefas idênticas a diferentes grupos. Algumas equipes confiaram inteiramente na expertise humana, enquanto outras usaram cientistas trabalhando com ferramentas de IA. O desafio era prever parto prematuro usando dados de mais de 1.000 gestantes.

Até mesmo uma dupla júnior de pesquisa, formada por um estudante de mestrado da UCSF, Reuben Sarwal, e um estudante do ensino médio, Victor Tarca, desenvolveu com sucesso modelos de previsão com o apoio da IA. O sistema gerou código de computador funcional em minutos, algo que normalmente levaria horas ou até dias para programadores experientes.

A vantagem veio da capacidade da IA de escrever código analítico com base em instruções curtas, mas altamente específicas. Nem todos os sistemas tiveram bom desempenho. Apenas 4 dos 8 chatbots de IA produziram código utilizável. Ainda assim, aqueles que tiveram sucesso não precisaram de grandes equipes de especialistas para orientá-los.

Devido a essa velocidade, os pesquisadores juniores conseguiram completar seus experimentos, verificar suas descobertas e enviar seus resultados para um periódico em poucos meses.

"Essas ferramentas de IA poderiam aliviar um dos maiores gargalos na ciência de dados: a construção de nossos fluxos de análise", disse Marina Sirota, PhD, professora de Pediatria e diretora interina do Bakar Computational Health Sciences Institute (BCHSI) da UCSF. "A aceleração não poderia vir mais cedo para os pacientes que precisam de ajuda agora."

Sirota é coautora sênior do estudo, publicado na revista Cell Reports Medicine em 17 de fevereiro.

Acelerar a análise de dados poderia melhorar as ferramentas de diagnóstico para o parto prematuro, a principal causa de morte de recém-nascidos e um grande contribuinte para desafios motores e cognitivos de longo prazo em crianças. Nos Estados Unidos, cerca de 1.000 bebês nascem prematuramente a cada dia.

Os pesquisadores ainda não entendem completamente o que causa o parto prematuro. Para investigar possíveis fatores de risco, a equipe de Sirota compilou dados do microbioma de cerca de 1.200 gestantes, cujos resultados foram acompanhados em nove estudos separados.

"Esse tipo de trabalho só é possível com o compartilhamento aberto de dados, reunindo as experiências de muitas mulheres e a expertise de muitos pesquisadores", disse Tomiko T. Oskotsky, co-diretora do Repositório de Dados de Parto Prematuro da March of Dimes e coautora do artigo.

No entanto, analisar um conjunto de dados tão vasto e complexo se mostrou desafiador. Para enfrentar isso, os pesquisadores recorreram a uma competição global de crowdsourcing chamada DREAM (Diálogo sobre Métodos e Avaliação de Engenharia Reversa).

Sirota co-liderou um dos três desafios DREAM sobre gravidez, focando especificamente em dados do microbioma vaginal. Mais de 100 equipes em todo o mundo participaram, desenvolvendo modelos de aprendizado de máquina projetados para detectar padrões ligados ao parto prematuro. A maioria dos grupos concluiu seu trabalho dentro da janela de três meses da competição. Ainda assim, levou quase dois anos para consolidar as descobertas e publicá-las.

Curiosa para saber se a IA generativa poderia encurtar esse prazo, o grupo de Sirota fez uma parceria com pesquisadores liderados por Adi L. Tarca, PhD, coautor sênior e professor do Centro de Medicina Molecular e Genética da Universidade Wayne State. Tarca havia liderado os outros dois desafios DREAM, que se concentraram em melhorar os métodos para estimar o estágio da gravidez.

Juntos, os pesquisadores instruíram oito sistemas de IA a gerar algoritmos de forma independente usando os mesmos conjuntos de dados dos três desafios DREAM, sem codificação humana direta.

Os chatbots de IA receberam instruções cuidadosamente escritas em linguagem natural. Assim como o ChatGPT, os sistemas foram guiados por instruções detalhadas projetadas para direcioná-los a analisar os dados de saúde de maneiras comparáveis aos participantes originais do DREAM.

Seus objetivos espelhavam os desafios anteriores. Os sistemas de IA analisaram dados do microbioma vaginal para identificar sinais de parto prematuro e examinaram amostras de sangue ou placenta para estimar a idade gestacional. A datação da gravidez é quase sempre uma estimativa, mas determina o tipo de cuidado que as mulheres recebem à medida que a gravidez avança. Quando as estimativas são imprecisas, a preparação para o parto se torna mais difícil.

Os pesquisadores então executaram o código gerado pela IA usando os conjuntos de dados do DREAM. Apenas 4 das 8 ferramentas produziram modelos que corresponderam ao desempenho das equipes humanas, embora em alguns casos os modelos de IA tenham se saído melhor. Todo o esforço com IA generativa, desde a concepção até a submissão de um artigo, levou apenas seis meses.

Cientistas enfatizam que a IA ainda requer supervisão cuidadosa. Esses sistemas podem produzir resultados enganosos, e a expertise humana continua essencial. No entanto, ao analisar rapidamente grandes conjuntos de dados de saúde, a IA generativa pode permitir que os pesquisadores gastem menos tempo solucionando problemas de código e mais tempo interpretando resultados e fazendo perguntas científicas relevantes.

"Graças à IA generativa, pesquisadores com um conhecimento limitado em ciência de dados nem sempre precisarão formar amplas colaborações ou passar horas depurando código", disse Tarca. "Eles podem se concentrar em responder às perguntas biomédicas certas."