Os agentes de IA na área da saúde podem ser classificados em quatro modelos. Em ordem crescente de autonomia e integração clínica, são eles: fundação, assistente, parceiro e pioneiro. O que todos os quatro têm em comum é o potencial de transformar a assistência médica por meio do avanço do suporte à decisão clínica, da automatização de fluxos de trabalho e da personalização do atendimento ao paciente. É o que afirmam pesquisadores da Escola de Medicina Icahn e do Sistema de Saúde Mount Sinai, na cidade de Nova York. O sucesso da tecnologia na medicina dependerá de “inovação tecnológica contínua, estruturas de validação robustas e colaboração eficaz entre as partes interessadas técnicas e de saúde”, escrevem o autor correspondente Dhavalkumar Patel e colegas em um estudo aguardando revisão por pares e publicação em periódico.“À medida que o campo evolui”, acrescentam os autores, “manter o foco nos resultados dos pacientes e, ao mesmo tempo, abordar as questões de privacidade, segurança e acessibilidade será fundamental para uma adoção sustentável e um impacto significativo na prestação de cuidados de saúde”. Em uma seção sobre as direções futuras da IA ​​agêntica na área da saúde, Patel e coautores observam que a trajetória atual “indica uma mudança em direção a sistemas mais integrados, eficientes e centrados no paciente”. Eles consideram o campo em desenvolvimento fazendo seis previsões granulares, como segue. Direções futuras da IA… 1. Tecnologias emergentes: Avanços técnicos. Agentes de IA de próxima geração utilizarão arquiteturas de ponta, como transformadores e modelos generativos de IA, para atingir níveis sem precedentes de precisão e eficiência, escrevem Patel e colegas. Por exemplo, modelos híbridos que combinam aprendizado por reforço e aprendizado supervisionado “devem se destacar em cenários de tomada de decisão em tempo real, como atendimento de emergência e assistência cirúrgica”. Inovações de integração, incluindo computação de ponta e aprendizado federado, permitirão que sistemas de IA processem dados localmente, aumentando a privacidade e reduzindo a latência, acrescentam os autores. Mais: ‘Melhorias de desempenho em unidades de processamento gráfico e unidades de processamento tensorial acelerarão ainda mais os recursos de treinamento e inferência de IA, permitindo implantações mais rápidas e escaláveis.’ 2. Tecnologias emergentes: aplicações em saúde. Tecnologias emergentes introduzirão novas aplicações clínicas, como diagnósticos moleculares baseados em IA, permitindo a detecção precisa de doenças genéticas raras, preveem os autores. “A evolução do fluxo de trabalho se concentrará na automatização de processos complexos, como o planejamento de tratamento multidisciplinar, reduzindo a carga de trabalho dos médicos”, escrevem, antes de acrescentar: ‘Avanços no atendimento ao paciente são esperados por meio da medicina personalizada, impulsionada por agentes de IA capazes de adaptar terapias com base em dados genéticos e de estilo de vida.’ 3. Direções de pesquisa: Pesquisa técnica. Pesquisas futuras priorizarão o desenvolvimento de algoritmos mais robustos e interpretáveis. Modelos de IA Explicável (XAI) “abordarão a natureza de caixa-preta dos sistemas atuais, aumentando a confiança dos médicos e facilitando a aprovação regulatória”, escrevem os autores. “Os avanços na arquitetura de sistemas se concentrarão em designs modulares e plug-and-play para simplificar a integração com os sistemas de TI de saúde existentes.” Saiba mais: ‘A pesquisa sobre métodos de integração enfatizará APIs padronizadas e estruturas de interoperabilidade para melhorar o fluxo de dados entre sistemas distintos.’ 4. Direções de pesquisa: Pesquisa em saúde. A validação clínica continuará sendo um foco crítico, com ensaios clínicos randomizados em larga escala avaliando a eficácia e a segurança das intervenções de IA, esperam os autores. Enquanto isso, os estudos de implementação “investigarão as melhores práticas para a implantação de agentes de IA em diversos ambientes de saúde, de clínicas rurais a hospitais urbanos”. ‘A pesquisa de resultados explorará os impactos de longo prazo na saúde do paciente, na eficiência do provedor e nos custos da assistência médica.’ 5. Roteiro de implementação: Caminho de desenvolvimento. As metas de curto prazo (1 a 2 anos) incluem o refinamento dos modelos existentes para maior precisão e confiabilidade, apontam Patel e coautores. “As principais iniciativas se concentrarão na integração da IA ​​em áreas de alto impacto, como radiologia e patologia. Os objetivos de médio prazo (3 a 5 anos) enfatizam a expansão das aplicações da IA ​​em domínios complexos, como medicina personalizada e análise preditiva.” ‘A visão de longo prazo (mais de 5 anos) visa criar agentes de IA de última geração que se integrem perfeitamente a todas as facetas da assistência médica.’ 6. Roteiro de implementação: Indicadores de sucesso. “O sucesso será medido por resultados clínicos, como redução de erros de diagnóstico e atrasos no tratamento”, observam Patel et al. “Métricas operacionais, incluindo eficiência do fluxo de trabalho e economia de custos, também servirão como parâmetros críticos.” ‘A satisfação do usuário entre provedores de saúde e pacientes será fundamental para avaliar o impacto real dos agentes de IA.’ Reportagem completa em https://www.scmp.com/tech/big-tech/article/3309817/new-alibaba-method-slashes-costs-training-ai-search-88?module=perpetual_scroll_1_RM&pgtype=articlehttps://www.cnnbrasil.com.br/tecnologia/google-passa-a-usar-ia-para-identificar-sites-fraudulentos-no-chrome/