A inteligência artificial (IA) já pode ajudar laboratórios a identificar erros em exames antes que resultados potencialmente equivocados cheguem aos médicos e influenciem decisões clínicas. A tecnologia também avança na análise de imagens, na interpretação de grandes volumes de dados e na automação de processos. As oportunidades e os desafios desse avanço estão entre os temas do 58º Congresso Brasileiro de Patologia Clínica/Medicina Laboratorial (CBPC/ML), que acontece de 15 a 18 de setembro, em Florianópolis (SC).
Um dos convidados internacionais do evento é o médico patologista clínico Mark A. Zaydman, pesquisador e professor associado de Patologia e Imunologia da Washington University School of Medicine, em St. Louis, nos Estados Unidos, que pesquisa aplicações da inteligência artificial na Medicina Laboratorial. Segundo o especialista, ferramentas de IA são utilizadas em sistemas de autoverificação de resultados, análise de imagens em patologia digital, hematologia e microbiologia, além de modelos de aprendizado de máquina capazes de reconhecer padrões complexos em dados laboratoriais.
“A IA pode automatizar tarefas repetitivas, priorizar casos que exigem atenção humana, melhorar os processos de controle de qualidade e ajudar os laboratórios a extrair informações úteis de conjuntos de dados cada vez maiores e mais complexos”, afirma.
Um exemplo estudado pelo grupo de pesquisa de Zaydman é o uso de aprendizado de máquina para identificar amostras de exames contaminados por fluidos intravenosos. Esse tipo de contaminação pode alterar os resultados laboratoriais e, se não for percebido, levar a interpretações equivocadas e influenciar decisões sobre o cuidado do paciente.
A inteligência artificial consegue buscar padrões em diferentes medições laboratoriais que podem ser difíceis de reconhecer por meio de regras convencionais ou apenas pela revisão humana. Para Zaydman, esse é um exemplo de como a tecnologia pode funcionar como uma camada adicional de segurança.
O profissional ressalta, porém, que a perspectiva não é substituir os profissionais. “Vejo a maior oportunidade da IA em ampliar a capacidade dos profissionais de laboratório, permitindo que concentrem sua expertise nos casos e nas decisões em que o julgamento humano agrega maior valor”, pontua.
Outra frente em expansão é a IA generativa e os grandes modelos de linguagem. Essas tecnologias podem ser usadas para facilitar o acesso ao conhecimento dos laboratórios, resumir e interpretar informações complexas, auxiliar na documentação e criar novas formas de interação com dados laboratoriais e sistemas de apoio à decisão.
Do laboratório à prática: os desafios da IA
A incorporação dessas ferramentas à rotina exige cuidados. Zaydman destaca que uma parcela desproporcional das pesquisas sobre inteligência artificial em saúde foi realizada em grandes centros acadêmicos de poucos países, especialmente Estados Unidos e China. Isso representa um desafio porque populações, sistemas de saúde, equipamentos, métodos, infraestrutura e práticas clínicas variam entre países e instituições.
Na prática, um algoritmo que apresenta bom desempenho em determinado hospital ou laboratório pode não funcionar da mesma maneira quando aplicado a outra população ou realidade. Por isso, as ferramentas precisam ser avaliadas e validadas no ambiente em que serão utilizadas.
Na visão de Zaydman, o nosso país pode ter papel importante nesse processo. “O Brasil tem uma oportunidade importante não apenas de aprender com experiências de IA desenvolvidas em outros lugares, mas também de contribuir com as suas próprias inovações e perspectivas para a comunidade global”, afirma.
Os vieses dos algoritmos são outro ponto de atenção. Como os sistemas aprendem a partir dos dados usados em seu desenvolvimento, populações pouco representadas nas bases ou distorções presentes nos dados podem resultar em diferenças de desempenho entre grupos de pacientes.
A segurança, portanto, não termina quando uma ferramenta é aprovada ou instalada. O pesquisador defende bases representativas, validação local e monitoramento contínuo dos sistemas após sua implementação.
“A IA deve ser submetida ao mesmo padrão fundamental de qualquer outra tecnologia clínica: precisamos de evidências de que seja segura e eficaz para o uso pretendido e de que seus benefícios sejam distribuídos de forma equitativa entre os pacientes”, destaca.
Além da qualidade dos dados, a implementação envolve infraestrutura tecnológica, integração aos sistemas dos laboratórios, privacidade das informações dos pacientes, segurança cibernética, custos e profissionais preparados para supervisionar as ferramentas. Ainda será necessário desenvolver regras de governança para acompanhar todo o ciclo de vida dos sistemas, da seleção e validação ao monitoramento e eventual retirada de uso.
Profissionais terão novo papel
O avanço da inteligência artificial também tende a modificar o trabalho dos profissionais da Medicina Laboratorial. À medida que sistemas assumem tarefas repetitivas e ampliam a sua capacidade de reconhecer padrões, os especialistas passam a ter papel central na supervisão das ferramentas, na interpretação de seus resultados e na identificação de situações em que os algoritmos podem falhar.
Conhecimentos sobre dados, informática e fundamentos de IA devem ganhar importância, mas Zaydman ressalta que a expertise tradicional em Medicina Laboratorial continuará indispensável.
“O conhecimento profundo em Medicina Laboratorial pode se tornar ainda mais valioso, porque precisamos de especialistas capazes de determinar se um sistema de IA está resolvendo o problema certo, se sua resposta faz sentido clinicamente e se realmente está beneficiando os pacientes”, explica.
Entre os avanços com potencial de transformar o setor nos próximos anos estão os modelos fundacionais, incluindo grandes modelos de linguagem e sistemas multimodais. A capacidade de combinar textos, imagens, resultados de exames e outras informações clínicas pode mudar a forma como profissionais acessam e interpretam dados laboratoriais.
No entanto, os laboratórios não precisam esperar pelas próximas gerações de inteligência artificial para se preparar. Melhorar a qualidade e a acessibilidade dos dados, investir em infraestrutura e integração, criar processos de governança e validação e capacitar profissionais são medidas que podem ser adotadas a partir de agora.
Mais importante do que incorporar uma tecnologia simplesmente porque ela está disponível, de acordo com Zaydman, é identificar problemas concretos nos quais seu uso possa trazer benefícios. “Não devemos começar pela IA e depois procurar um problema ao qual aplicá-la. Devemos começar pelos problemas importantes da Medicina Laboratorial e do cuidado ao paciente e perguntar se a IA pode nos ajudar a resolvê-los melhor”, conclui.
