Num primeiro teste real de inteligência artificial na investigação em saúde, investigadores da Universidade da Califórnia, São Francisco e da Wayne State University descobriram que a inteligência artificial generativa pode processar enormes conjuntos de dados médicos muito mais rapidamente do que as equipas tradicionais de ciência da computação e, em alguns casos, produzir resultados ainda melhores. Especialistas humanos passaram meses analisando cuidadosamente as mesmas informações.
Para comparar diretamente o desempenho, os pesquisadores atribuíram as mesmas tarefas a grupos diferentes. Algumas equipes confiaram inteiramente na experiência humana, enquanto outras utilizaram cientistas que trabalhavam com ferramentas de inteligência artificial. O desafio era prever o nascimento prematuro utilizando dados de mais de 1.000 mulheres grávidas.
Até mesmo uma dupla de pesquisadores juniores composta pelo MSc Ruben Sarval da UCSF e pelo estudante de graduação Viktor Tarka desenvolveu com sucesso modelos de previsão baseados em IA. O sistema gerava código de computador funcional em minutos – algo que normalmente levaria horas ou até dias para programadores experientes.
A vantagem se devia à capacidade da inteligência artificial de escrever código analítico com base em pistas curtas, mas muito específicas. Nem todo sistema funcionou bem. Apenas 4 em cada 8 chatbots de IA geraram código utilizável. No entanto, aqueles que tiveram sucesso não exigiram a liderança de grandes grupos de especialistas.
Graças a essa rapidez, os pesquisadores juniores puderam concluir seus experimentos, verificar as descobertas e enviar os resultados à revista em poucos meses.
“Essas ferramentas de IA podem resolver um dos maiores gargalos da ciência de dados: construir nossos pipelines de análise”, disse Marina Sirota, PhD, professora de pediatria, diretora interina do Instituto Baccarat de Ciências da Saúde Computacional (BCHSI) da UCSF e investigadora principal do Centro de Pesquisa Prematura March of Dimes da UCSF. “A aceleração não poderia vir mais cedo para os pacientes que precisam de ajuda agora”.
Sirota é o co-autor sênior do estudo publicado no Relatórios Celulares de Medicina 17 de fevereiro.
Por que a pesquisa sobre nascimento prematuro é importante
A aceleração da análise de dados poderia melhorar as ferramentas de diagnóstico do nascimento prematuro, uma das principais causas de morte em recém-nascidos e um factor importante nos problemas motores e cognitivos a longo prazo nas crianças. Cerca de 1.000 bebês nascem prematuramente nos Estados Unidos todos os dias.
Os pesquisadores ainda não entendem completamente o que causa o nascimento prematuro. Para investigar possíveis factores de risco, a equipa de Sirota recolheu dados sobre os microbiomas de quase 1.200 mulheres grávidas, cujos resultados foram acompanhados em nove estudos separados.
“Este tipo de trabalho só é possível com o compartilhamento aberto de dados, combinando as experiências de muitas mulheres e as experiências de muitos pesquisadores”, disse Tomiko T. Askocki, MD, codiretora do March of Dimes Preterm Birth Repository, professora associada do BCHSI da UCSF e coautora do artigo.
No entanto, analisar um conjunto de dados tão grande e complexo revelou-se um desafio. Para resolver este problema, os investigadores recorreram a uma competição global de crowdsourcing chamada DREAM (Diálogo sobre Avaliação e Engenharia Reversa).
Sirota liderou um dos três ensaios de gravidez DREAM, concentrando-se especificamente nos dados do microbioma vaginal. Mais de 100 equipes em todo o mundo participaram no desenvolvimento de modelos de aprendizado de máquina projetados para identificar padrões associados ao nascimento prematuro. A maioria dos grupos concluiu o seu trabalho dentro do período de competição de três meses. No entanto, demorou quase dois anos para compilar as descobertas e publicá-las.
Testando inteligência artificial em dados de gravidez e microbioma
Querendo saber se a inteligência artificial generativa poderia encurtar esse período de tempo, o grupo de Sirota colaborou com pesquisadores liderados por Adi L. Tarka, Ph.D., co-autor sênior e professor do Centro de Medicina Molecular e Genética da Wayne State University em Detroit, Michigan. Tarca liderou dois outros desafios DREAM que se centraram na melhoria dos métodos de estimativa da idade gestacional.
Juntos, os pesquisadores instruíram oito sistemas de inteligência artificial a gerar algoritmos de forma independente usando os mesmos conjuntos de dados das três tarefas DREAM, sem codificação humana direta.
Os chatbots de IA receberam instruções cuidadosamente escritas em linguagem natural. Tal como o ChatGPT, os sistemas foram guiados por instruções detalhadas concebidas para os orientar na análise de dados de saúde de forma comparável aos participantes originais do DREAM.
Seus objetivos refletiam objetivos anteriores. Os sistemas de inteligência artificial analisaram dados do microbioma vaginal para identificar sinais de trabalho de parto prematuro e examinaram amostras de sangue ou placenta para determinar 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. Se as estimativas não forem precisas, a preparação para o parto torna-se mais difícil.
Os pesquisadores então executaram o código gerado pela IA usando os conjuntos de dados DREAM. Apenas 4 das 8 ferramentas produziram modelos que correspondiam ao desempenho das equipes humanas, embora em alguns casos os modelos de IA tenham tido melhor desempenho. Todo o esforço para criar inteligência artificial – desde a concepção até a submissão do artigo – levou apenas seis meses.
Os cientistas sublinham que a IA ainda precisa de uma monitorização cuidadosa. Esses sistemas podem produzir resultados errôneos e a experiência humana continua importante. No entanto, ao classificar rapidamente conjuntos massivos de dados de saúde, a IA generativa pode permitir que os pesquisadores gastem menos tempo encontrando e solucionando códigos e mais tempo interpretando resultados e fazendo perguntas científicas significativas.
“Graças à IA generativa, os pesquisadores com experiência limitada em ciência de dados nem sempre precisarão colaborar extensivamente ou passar horas depurando código”, disse Tarka. “Eles podem se concentrar em responder às questões biomédicas certas.”
Autores: UCSF Autores – Ruben Sarval; Claire Dubin; Sanchita Bhattacharya, MS; e Atul Bate, MD. Outros autores: Victor Tarka (Huron High School, Ann Arbor, MI); Nicholas Kalauros e Gustavo Stalovicki, PhD (Universidade de Nova York); Gaurav Bhatti (Universidade Estadual Wayne); e Roberto Romero, MD, PhD (Instituto Nacional de Saúde Infantil e Desenvolvimento Humano (NICHD)).
Financiamento: Este trabalho foi financiado pelo March of Dimes Prematurity Research Center da UCSF e ImmPort. Os dados utilizados neste estudo foram obtidos em parte com o apoio da Divisão de Pesquisa sobre Gravidez do NICHD.
