29.01.2025 Inteligência Artificial

IA pode aumentar precisão de ensaios clínicos

Estudo revela que modelos GPT-4 superam especialistas na seleção de pacientes com insuficiência cardíaca, otimizando a inclusão em testes clínicos e diminuindo custos operacionais

Moura Leite Netto

Soluções baseadas em grandes modelos de linguagem (LLM) – um método de aprendizado de máquina a partir de enormes bases de dados – pode melhorar de forma significativa o desempenho da triagem de voluntários em ensaios clínicos, automatizando o processo e reduzindo os custos.

Essa é a conclusão de pesquisadores do Brigham and Women’s Hospital, em Boston, nos Estados Unidos, em estudo publicado na revista The New England Journal of Medicine (NEJM).

Partindo da premissa de que realizar um ensaio clínico é um processo trabalhoso, sujeito a erros e que requer tempo e recursos significativos, os autores utilizaram o Generative Pre-trained Transformer 4 (GPT-4) – a quarta geração da série de LLM, da empresa OpenAI – para realizar um estudo piloto dentro do Programa Cooperativo para Implementação da Terapia Ideal na Insuficiência Cardíaca.

Denominado como COPILOT-HF, a ferramenta é uma iniciativa randomizada e aberta dentro do sistema de saúde do Mass General Brigham, que testa estratégias de atendimento remoto para otimizar a prescrição de terapias médicas orientadas por diretrizes em pacientes com insuficiência cardíaca.

Para determinar a elegibilidade dos pacientes para o estudo, foi desenvolvida a Infraestrutura de Ensaios Clínicos Habilitada para RAG para Revisão de Exclusão de Inclusão (RECTIFIER), um sistema de resposta a perguntas baseado em notas clínicas desenvolvido por RAG e GPT-4.

Na metodologia adotada, foram usadas notas clínicas de 100, 282 e 1.894 pacientes – com uma média de 12 anotações por paciente – para, a partir destes três conjuntos de dados, desenvolver, validar e testar a verificação de desempenho do modelo proposto.

Paralelamente à triagem feita pela equipe do estudo RECTIFIER e COPILOT-HP, um médico especialista conduziu uma revisão cega para estabelecer respostas “padrão ouro” para as treze questões de critério-alvo de inclusão e exclusão de pacientes.

Alta precisão

Os resultados demonstram que, com base no alinhamento com as respostas “padrão ouro” do médico especialista, o processo de IA apresentou precisão de 97,9%, enquanto a equipe do estudo (que avaliou os mesmos registros) apresentou precisão de 91,7% no recrutamento de pacientes com insuficiência cardíaca sintomática para ensaio clínico.

Além disso, o modelo apresentou sensibilidade de 92,3% e especificidade de 93,9% com os modelos de IA.

“Este resultado foi uma surpresa, melhor do que esperávamos”, disse ao Science Arena o cardiologista Alexander Jordan Blood, do Brigham and Women’s Hospital, pesquisador da Escola de Medicina da Universidade Harvard, nos Estados Unidos, e coautor do estudo.

“Estamos contribuindo para a compreensão de que estas novas ferramentas de IA podem melhorar a velocidade, a precisão e diminuir o custo de inscrição em ensaios clínicos”, afirma Blood.

O estudo RECTIFIER e COPILOT-HP destaca que, com a estratégia de pergunta única, foi possível determinar a elegibilidade dos critérios de seleção a um custo médio de 11 centavos de dólar por paciente, enquanto a abordagem de perguntas combinadas teve um custo médio de apenas 2 centavos por paciente.

Como comparação, o custo aproximado do modelo tradicional de triagem é de US$34,75. “É um sinal de que a inteligência artificial possibilita, mesmo com menor aporte financeiro, viabilizar um maior número de ensaios clínicos”, observa Blood.

Ainda de acordo com o pesquisador, a utilização de IA em ensaios clínicos pode acelerar o processo de determinar se uma terapia é eficaz. Ele vislumbra que os ensaios ficarão mais baratos e equitativos, sem sacrificar a segurança.

Assim, os medicamentos, desenvolvidos a partir do cumprimento das fases de um teste clínico, poderão chegar aos pacientes mais rapidamente.

Perigos potenciais

Em ensaios clínicos, são inscritos candidatos que atendem aos critérios específicos (inclusão e não-exclusão), associados, por exemplo, com idade, diagnósticos, principais indicadores de saúde, comorbidades e medicamentos atuais ou passados.

Esses critérios ajudam o pesquisador a aumentar a garantia de que sejam inseridos no estudo participantes que, de fato, possam se beneficiar do tratamento.

Esse processo também ajuda a evitar a inclusão de pacientes que tenham problemas de saúde não-relacionados ou que estejam tomando medicamentos que possam interferir nos resultados.

O objetivo (com a utilização do GPT-4 na triagem de ensaios clínicos) é aumentar a precisão, eficiência e confiabilidade. Contudo, paralelamente, pode haver uso indevido da tecnologia, resultando em preconceitos de seleção e preocupações éticas e técnicas.

Antes da automatização completa do processo de triagem, orientam os pesquisadores, é importante considerar cuidadosamente todos os perigos potenciais e implementar estratégias de mitigação adequadas.

Além disso, embora o estudo ofereça insights e aplicações promissoras do GPT-4 na triagem de ensaios clínicos, estes devem ser interpretados com uma compreensão da natureza específica do contexto das descobertas.

À medida que há progressos, reforçam os cientistas, deve-se continuar a aperfeiçoar estas tecnologias, garantindo a sua aplicabilidade num espectro de cenários clínicos, garantindo a integridade contínua dos ensaios.

Os autores ressaltam que aplicação do RECTIFIER na área médica não se limita apenas aos ensaios clínicos. A estrutura poderia ajudar a resolver lacunas na qualidade dos cuidados para doenças como a insuficiência cardíaca, fornecer uso de medicamentos orientado por diretrizes e ajudar na gestão da saúde da população.

* É permitida a republicação das reportagens e artigos em meios digitais de acordo com a licença Creative Commons CC-BY-NC-ND.
O texto não deve ser editado e a autoria deve ser atribuída, incluindo a fonte (Science Arena).