Como a inteligência artificial pode beneficiar a pesquisa clínica?

Voltar

A utilização da Inteligência Artificial (IA) na pesquisa clínica tem sido amplamente discutida, embora seja menos visível em comparação com sua aplicação na entrega de cuidados de saúde aos pacientes. Até o momento, a quantidade de dados de experiência em IA na pesquisa clínica não é tão extensa, e o que existe requer mais validação por meio de aplicações adicionais.

Porém, existem algumas áreas em que a IA pode ser melhor explorada:

  • Fase pré-clínica: processar dados de estudos anteriores, gerar modelos preditivos de estruturas proteicas e interações com alvos de medicamentos. Também pode ser usada na identificação de novas indicações para fármaco para tratamento de diversas patologias e no desenvolvimento de vacinas.
  • Fase de triagem: acelerar o processo de pré-triagem de participantes por meio de aplicativos de processamento de linguagem natural alimentados por prontuários de pacientes. Um exemplo é o Watson for Clinical Trial Matching, sistema de suporte a decisões clínicas que interpreta protocolos de pesquisa e informações de prontuários eletrônicos para determinar a elegibilidade de potenciais participantes.
  • Fase de recrutamento: por meio do estudo Apple Watch Study, foi demonstrado que a IA pode ser utilizada para recrutar um grande número de participantes em um curto período de tempo. O estudo usou algoritmos para identificar fibrilação atrial em usuários de Apple Watch e, caso detectasse uma possível fibrilação, um protocolo era ativado. Os participantes eram orientados a realizar uma consulta de telemedicina e, se necessário, a procurar atendimento médico.
  • Fase de análise: identificar a heterogeneidade do efeito, o que oferece uma oportunidade para análises mais abrangentes e percepções aprimoradas. Além disso, a IA pode ser empregada no tratamento de dados faltantes e auxiliar na automação da extração de informações, reduzindo o esforço manual e os erros humanos associados.

No entanto, é importante ressaltar que, embora essas ferramentas e abordagens mostrem indícios promissores, ainda são necessários mais treinamentos de modelos e estudos maiores para validar plenamente seu uso em outras áreas e condições.

Além disso, estudos baseados em dispositivos pessoais dependem da responsividade e acurácia das informações fornecidas pelos próprios participantes, o que pode levar à perda de follow-up e materiais, bem como à possível falta de representatividade de certos grupos populacionais.

Equipe de Gerenciamento de Dados e Estatística do Instituto de Pesquisa Hcor