IA Generativa examina informações médicas com maior rapidez que equipes de pesquisa humanas

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 o nascimento prematuro usando dados de mais de 1.000 gestantes.

Até mesmo uma dupla de pesquisadores júnior, formada pelo estudante de mestrado da UCSF, Reuben Sarwal, e um estudante do ensino médio, Victor Tarca, conseguiu desenvolver modelos de previsão com o apoio da IA. O sistema gerou código de computador funcional em minutos – algo que normalmente levaria programadores experientes várias horas ou dias.

A vantagem veio da capacidade da IA de escrever código analítico com base em prompts curtos, mas altamente específicos. Nem todos os sistemas funcionaram bem. Apenas 4 dos 8 chatbots de IA produziram código utilizável. No entanto, aqueles que tiveram sucesso não exigiram grandes equipes de especialistas para orientá-los.

Por causa dessa velocidade, os pesquisadores juniores conseguiram completar seus experimentos, verificar suas descobertas e submeter seus resultados a uma revista dentro de poucos meses.

“Essas ferramentas de IA poderiam aliviar um dos maiores gargalos na ciência de dados: a construção de nossos pipelines de análise,” disse Marina Sirota, PhD, professora de Pediatria e diretora interina do Instituto de Ciências da Saúde Computacional Bakar (BCHSI) da UCSF, além de principal investigadora do Centro de Pesquisa sobre Prematuridade da March of Dimes na UCSF. “Essa aceleração não poderia chegar em melhor hora para os pacientes que precisam de ajuda agora.”

Sirota é co-autora sênior do estudo, publicado na Cell Reports Medicine em 17 de fevereiro.

Por Que a Pesquisa sobre Nascimento Prematuro é Importante

Acelerar a análise de dados poderia melhorar as ferramentas de diagnóstico para o parto prematuro – a principal causa de mortalidade neonatal e um grande contribuinte para desafios motores e cognitivos prolongados em crianças. Nos Estados Unidos, cerca de 1.000 bebês nascem prematuramente a cada dia.

Os pesquisadores ainda não compreendem completamente o que causa o parto prematuro. Para investigar possíveis fatores de risco, a equipe de Sirota compilou dados do microbioma de aproximadamente 1.200 mulheres grávidas cujos resultados foram acompanhados em nove estudos distintos.

“Esse tipo de trabalho só é possível com o compartilhamento de dados abertos, reunindo as experiências de muitas mulheres e a expertise de muitos pesquisadores,” disse Tomiko T. Oskotsky MD, co-diretora do Repositório de Dados sobre Parto Prematuro da March of Dimes, professora associada do BCHSI da UCSF e co-autora do artigo.

No entanto, a análise de um conjunto de dados tão vasto e complexo provou ser desafiadora. Para enfrentar isso, os pesquisadores se voltaram para uma competição global de crowdsourcing chamada DREAM (Diálogo sobre Avaliação e Métodos de Engenharia Reversa).

Sirota co-liderou um dos três desafios de gravidez do DREAM, 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 do prazo de três meses da competição. No entanto, levou quase dois anos para consolidar as descobertas e publicá-las.

Testando IA em Dados de Gravidez e Microbioma

Curiosa se a IA generativa poderia encurtar esse cronograma, a equipe de Sirota se uniu a pesquisadores liderados por Adi L. Tarca, PhD, co-autora sênior e professora no Centro de Medicina Molecular e Genética da Universidade Wayne State em Detroit, MI. 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 em linguagem natural cuidadosamente elaboradas. Muito parecido com o ChatGPT, os sistemas foram guiados por prompts detalhados projetados para orientá-los na análise dos 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 da placenta para estimar a idade gestacional. A datação da gravidez é quase sempre uma estimativa, mas determina o tipo de cuidados 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 da IA tenham se saído melhor. Todo o esforço de IA generativa – desde a concepção até a submissão de um artigo – levou apenas seis meses.

Os cientistas enfatizam que a IA ainda requer supervisão cuidadosa. Esses sistemas podem produzir resultados enganosos, e a expertise humana permanece essencial. No entanto, ao classificar rapidamente enormes conjuntos de dados de saúde, a IA generativa pode permitir que os pesquisadores passem menos tempo solucionando problemas de código e mais tempo interpretando resultados e fazendo perguntas científicas significativas.

“Graças à IA generativa, pesquisadores com uma formação limitada em ciência de dados não precisarão sempre formar amplas colaborações ou passar horas depurando código,” disse Tarca. “Eles podem se concentrar em responder às perguntas biomédicas certas.”

Autores: Os autores da UCSF são Reuben Sarwal; Claire Dubin; Sanchita Bhattacharya, MS; e Atul Butte, MD, PhD. Outros autores são Victor Tarca (Huron High School, Ann Arbor, MI); Nikolas Kalavros e Gustavo Stolovitzky, PhD (Universidade de Nova York); Gaurav Bhatti (Universidade Wayne State); e Roberto Romero, MD, D(Med)Sc (Instituto Nacional de Saúde Infantil e Desenvolvimento Humano (NICHD)).

Financiamento: Este trabalho foi financiado pelo Centro de Pesquisa sobre Prematuridade da March of Dimes na UCSF e pela ImmPort. Os dados usados neste estudo foram gerados em parte com o apoio da Divisão de Pesquisa em Gravidez do NICHD.