Inteligência artificial pode reduzir erros em exames, mas implementação ainda é desafio para laboratórios

A inteligência artificial (IA) já é capaz de auxiliar laboratórios clínicos a identificar erros em amostras, analisar grandes volumes de dados, apoiar o controle de qualidade e tornar processos mais eficientes. O avanço, no entanto, traz um desafio que vai além da capacidade técnica dos algoritmos: garantir que essas ferramentas sejam seguras, validadas para a população em que serão utilizadas e efetivamente tragam benefícios aos pacientes.

O tema foi discutido nesta terça-feira (15/9), durante o 58º Congresso Brasileiro de Patologia Clínica/Medicina Laboratorial (CBPC/ML), realizado em Florianópolis. Na palestra “Artificial Intelligence in the Clinical Laboratory: Opportunities, Challenges, and the Road Ahead”, o médico patologista clínico Mark Zaydman, pesquisador e professor associado da Washington University School of Medicine, nos Estados Unidos, com atuação em inteligência artificial e ciência de dados aplicadas à Medicina Laboratorial, apresentou aplicações da IA na Medicina Laboratorial e os principais obstáculos para a sua incorporação à rotina. A atividade foi coordenada pela médica patologista clínica Luisane Maria Falci Vieira, que lidera o Comitê Científico de Inteligência Artificial da SBPC/ML.

Segundo Zaydman, embora ferramentas como o ChatGPT tenham ampliado a atenção sobre o assunto, a inteligência artificial não é uma tecnologia recente. Sistemas baseados em regras já fazem parte dos laboratórios por meio de recursos como autoverificação de resultados e automação. Mais recentemente, tecnologias de análise de imagens e aprendizado de máquina passaram a ampliar as possibilidades de aplicação, inclusive na classificação de células e na interpretação automatizada de culturas microbiológicas.

“A inteligência artificial não é nova, mas estamos atualmente em um estado de evolução rápida”, destacou Zaydman. Para o profissional, uma das principais oportunidades está em direcionar a tecnologia para tarefas repetitivas, complexas, que demandam grande precisão ou envolvem volumes de informações superiores à capacidade de processamento humano.

Na prática laboratorial, as possibilidades percorrem todas as etapas do exame. Na fase pré-analítica, a IA pode contribuir para identificar problemas na solicitação, coleta e transporte das amostras. Na etapa analítica, pode auxiliar no monitoramento de equipamentos e no controle de qualidade. Já na fase pós-analítica, pode apoiar a interpretação e a comunicação dos resultados.

IA identifica erros que podem passar despercebidos

Um dos exemplos apresentados pelo especialista envolve a identificação de contaminação de amostras por fluidos intravenosos, problema que pode alterar resultados laboratoriais e, consequentemente, interferir na decisão médica. Zaydman mostrou como o aprendizado de máquina pode reconhecer padrões complexos em diferentes resultados simultaneamente, uma tarefa especialmente difícil de ser realizada com rapidez e precisão pelo cérebro humano.

Em um dos estudos apresentados, pesquisadores utilizaram mais de 2 bilhões de resultados de análises metabólicas para desenvolver uma abordagem capaz de identificar padrões associados à contaminação. Na avaliação prospectiva, parte significativa das ocorrências detectadas pelo algoritmo e confirmadas por especialistas havia passado despercebida na prática clínica convencional.

O especialista ressaltou, entretanto, que resultados melhores em laboratório ou em estudos não significam que uma ferramenta esteja pronta para ser incorporada automaticamente à assistência. “A utilidade clínica não é apenas uma propriedade do modelo. Depende de onde ele é implementado, do contexto clínico e da população de pacientes”, afirmou.

Nem sempre a IA é melhor que o especialista

Outro ponto destacado foi a necessidade de evitar a ideia de que ferramentas de IA generativa sejam necessariamente a melhor alternativa para qualquer problema. Em um experimento apresentado durante a palestra, o GPT-4 foi testado na identificação de contaminação de amostras por fluidos intravenosos. Embora tenha apresentado capacidade moderada para realizar a tarefa, ficou abaixo dos especialistas humanos nas métricas avaliadas.

“Essas são ferramentas incríveis, mas os modelos de linguagem não são infalíveis. Eles nem sempre são a melhor solução”, alertou Zaydman. Dependendo da finalidade um modelo de aprendizado de máquina desenvolvido especificamente para aquela tarefa, ou mesmo um profissional bem treinado, pode alcançar maior precisão.

Para o pesquisador, o principal gargalo atualmente não está necessariamente no desenvolvimento tecnológico, mas na implementação. É preciso definir como validar as soluções localmente, monitorar seu desempenho, estabelecer regras de governança, integrar as ferramentas à rotina e comprovar que o investimento resulta em melhoria efetiva para o paciente.

Tecnologia também pode multiplicar erros

A capacidade de operar em grande escala, uma das principais vantagens da IA, também representa um risco. Um erro cometido por um profissional pode atingir um paciente; um sistema automatizado inadequadamente validado pode reproduzir a mesma falha milhares de vezes.

Além disso, um algoritmo que funciona bem em uma instituição pode apresentar desempenho diferente quando utilizado em outro laboratório, com pacientes, equipamentos, processos e bases de dados distintos. “Só porque funciona em um local não significa que funcionará para seus pacientes, sua população e seus dados”, afirmou Zaydman ao defender a validação local das ferramentas.

Outro desafio está nos vieses dos algoritmos. Como os sistemas aprendem a partir de dados produzidos no mundo real, podem incorporar desigualdades já existentes. Para o palestrante, a justiça algorítmica precisa passar a ser tratada como um indicador de qualidade, assim como sensibilidade e especificidade. Privacidade e segurança das informações dos pacientes também devem ser consideradas antes da utilização de ferramentas externas de IA.

Brasil pode participar do desenvolvimento das soluções

Apesar dos avanços, Zaydman avalia que os laboratórios ainda não estão plenamente preparados para aproveitar os benefícios da IA e, simultaneamente, controlar seus riscos. Entre as barreiras estão falta de infraestrutura, diretrizes, profissionais especializados, integração tecnológica, confiança e processos adequados de validação e governança.

Nesse cenário, o patologista clínico apontou uma oportunidade para que o Brasil não se limite a importar tecnologias desenvolvidas em grandes centros internacionais. Como boa parte da literatura científica sobre IA é produzida em instituições acadêmicas de referência, as soluções desenvolvidas nesses ambientes podem não responder às mesmas necessidades encontradas em outros sistemas de saúde.

“Há uma oportunidade tremenda para o Brasil e para esta comunidade preencherem esse espaço, definirem o que é mais valioso para seus pacientes e não serem apenas consumidores de inteligência artificial, mas também codesenvolvedores das soluções”, afirmou.

Para avançar, Zaydman defendeu a colaboração entre os laboratórios para estabelecer diretrizes práticas, contribuir para regulações que conciliem segurança e inovação, investir em infraestrutura e ampliar a capacitação dos profissionais. De acordo com o estudioso, o uso responsável da IA também exigirá recursos humanos, governança e modelos financeiros capazes de sustentar a incorporação dessas tecnologias.

“Precisamos aumentar a capacitação da comunidade para que os profissionais se sintam preparados para avaliar criticamente os sistemas de inteligência artificial e monitorá-los em seus próprios ambientes”, concluiu Zaydman.