Aumentar o limite de velocidade para a economia da saúde e resultados da investigação com IA

Rob Abbott, Mitch Higashi

“Não acelere. Qualquer erro tem menos probabilidade de ser catastrófico se se conduzir dentro do limite de velocidade.” Esta foi a primeira lição de condução que muitos de nós tivemos. Foi um bom conselho na altura e ainda hoje é verdade, particularmente quando testemunhamos a rápida aplicação e utilização da inteligência artificial (IA) na investigação dos cuidados de saúde.

A economia da saúde e a investigação de resultados (HEOR) são a confluência de dois campos: um focado na medição e na valorização dos resultados das intervenções nos cuidados de saúde e o outro nas disciplinas científicas que avaliam o efeito das intervenções nos cuidados de saúde nos doentes.1 O pensamento da HEOR como uma “ciência rápida” pode causar algum desconforto nalguns especialistas em HEOR.

Este movimento tornou-se mais agudo com a introdução da inteligência artificial generativa (Gen AI) na HEOR. Atualmente, a IA continua a ser um pouco controversa dentro da área. Alguns investigadores estão entusiasmados, outros cautelosos ou céticos. Mas independentemente do seu entusiasmo ou receio, os líderes da indústria têm medo de ficar de fora ou de serem deixados para trás no potencial da Gen AI para transformar a forma como a HEOR é conduzida.

A HEOR é uma disciplina científica que fornece dados e informações poderosas para os decisores dos cuidados de saúde, com base em processos deliberados e metódicos construídos ao longo dos últimos 20 anos. À medida que as entidades pagadoras e as agências de tecnologia de saúde dependiam cada vez mais de evidências do mundo real para tomar decisões de pagamento para novas intervenções de saúde, a HEOR foi pioneira em novos métodos para refinar e analisar esses dados. Estes métodos HEOR, como revisões sistemáticas da literatura (SLR), conversão de dados do mundo real em evidências do mundo real, previsão do impacto orçamental de uma nova terapia baseada em modelos de custo-eficácia, estimativa da vantagem direta de uma terapia em relação a outra e medição dos resultados reportados pelos doentes, ajudam as entidades pagadoras a fazer escolhas informadas sobre os medicamentos, dispositivos e diagnósticos que escolhem pagar.2 

Em vez de esperar anos por um estudo conclusivo de ensaios clínicos randomizados (ECR) para reportar os benefícios económicos e para o doente de uma intervenção de saúde, as entidades pagadoras podem estimar os custos e os resultados melhorados de um novo produto usando a HEOR.3 Na autoestrada de evidências, a HEOR é o veículo preferido de escolha em comparação com outros métodos de investigação, como os ensaios clínicos randomizados  e registos prospetivos. Embora ambos sejam considerados os métodos mais robustos para determinar a causa e o efeito, o processo pode demorar vários anos.4 

Velocidade: IA generativa aplicada a revisões sistemáticas da literatura para a HEOR

A IA generativa representa a atualização mais significativa para o campo das capacidades da HEOR numa geração. Investigadores no campo da HEOR demonstraram que algumas tarefas que, anteriormente, levavam semanas podem, agora, ser realizadas em horas usando IA.5 Por exemplo, a primeira aplicação ampla da IA generativa pela HEOR foi a realização de revisões sistemáticas da literatura (SLR, systematic literature review).

O enorme número de artigos publicados sobre um tema importante pode chegar a milhares e tornar-se assustador para qualquer indivíduo analisar e resumir. A IA é atrativa para automatizar este processo, reduzindo o tempo e a mão-de-obra normalmente necessários para uma SLR.

O potencial para uma investigação mais rápida é como um novo motor que promete um aumento significativo na velocidade, combustível flexível e potência bruta. Os testes iniciais demonstraram a capacidade da IA generativa para criar novo conteúdo, resumir dados e até sintetizar dados. Os modelos de IA generativa, particularmente os modelos de linguagem de grande escala (LLM), podem incluir texto em linguagem natural e executar tarefas que exigem raciocínio.5 Esses modelos estão agora a ser aplicados ao campo da HEOR para gerar códigos informáticos para análise de dados, resumir descobertas de custo-eficácia em centenas de trabalhos de investigação e relatórios preliminares para entidades pagadoras quando estas fazem avaliações de valor para novas intervenções de saúde.5 A HEOR sempre testou o limite de velocidade, mas os recursos de desempenho do mecanismo de IA generativa exigirão uma reformulação de todo o projeto do veículo.

Atualmente, as SLR exigem que um ser humano treinado (muitas vezes, um estudante de pós-graduação) leia e reveja centenas de artigos de texto completo para avaliá-los quanto à qualidade, tendência e adequação apropriada com o resumo pretendido. Competências de SLR mais avançadas exigem extração de dados, e o método mais avançado envolve meta-análise, que é um método quantitativo para determinar a significância estatística a partir do agrupamento de uma série de estudos.6 Os LLM podem agilizar este processo, ajudando com as tarefas mais demoradas. Por exemplo, os LLM podem ser programados para aplicar critérios de inclusão e exclusão predeterminados para identificar rapidamente estudos-chave.7 Um ser humano pode, então, trabalhar iterativamente com o LLM para desenvolver uma estratégia de investigação mais robusta com base nos resultados preliminares. Assim, os LLM podem ser consultados para fornecer raciocínio e fundamentação para as suas seleções. Por fim, estes modelos podem gerar resumos concisos dos estudos selecionados. Existem também exemplos emergentes de LLM que prestam assistência na avaliação de enviesamentos, levando o investigador a responder a uma série de perguntas (ou prompts) sobre a seleção de artigos.v 

Operador: O papel da supervisão humana na IA para a HEOR

Embora os modelos de IA possam alcançar uma velocidade de rutura na realização de tarefas essenciais de SLR, o uso dessa tecnologia não está isento de riscos. Surgem relatos de “alucinações” sob a forma de citações falsas. Através de uma corrente de pensamento destinada a melhorar o desempenho dos LLM em tarefas baseadas em raciocínio, podem identificar a citação “perfeita” para um relatório, mas essa citação perfeita pode não existir de facto.8 Por esta razão, ainda é necessário realizar a validação manual (humana) dos resultados gerados através de IA.

Uma vez que, atualmente, não existe um manual do operador sob a forma de melhores práticas e diretrizes para a investigação de HEOR adaptada à Al, ainda não está claro se as falhas do motor se devem às competências de condução do utilizador ou às limitações inerentes dos LLM atuais. À medida que os investigadores no campo da HEOR ganham mais experiência com a IA, surgirão boas práticas e diretrizes. No entanto, isso exigirá que os investigadores sejam rigorosamente transparentes ao partilhar os seus erros em benefício da comunidade. Serão necessárias boas práticas e diretrizes para solidificar o papel crítico da supervisão humana na HEOR assistido por lA.

Novo combustível: o refinamento de dados não estruturados

Está a ser recolhida uma quantidade cada vez maior de dados gerados por doentes para investigação, mas, atualmente, apenas 20% destes dados existem num formato estruturado. Atualmente, todos os investigadores que trabalham com dados do mundo real estão a competir pelo acesso aos mesmos conjuntos de dados estruturados.

Todos têm o potencial de aumentar o acesso a dados não estruturados. Um exemplo desta nova “fonte de combustível” são os dados do registo médico eletrónico (EMR, electronic medical record). Apenas uma fração dos dados de EMR está estruturada num formato que pode ser analisado com métodos de evidência do mundo real. O potencial de automatizar a tarefa manual de revisão de gráficos de doentes pode acelerar a classificação de dados não estruturados em conjuntos de dados analisáveis. Deve-se notar, no entanto, que a precisão dos modelos atuais de IA no mapeamento de texto descritivo para códigos médicos tem sido questionada. Como resultado, os investigadores estão a trabalhar para melhorar as instruções que fornecem para essas tarefas, com o objetivo de aumentar a precisão da conversão de texto não estruturado para o campo de dados estruturado correto.9 

Potência do motor: o impacto dos modelos fundamentais na HEOR

Os modelos fundamentais são sistemas de IA grandes e pré-treinados que conseguem compreender e gerar texto, imagens ou outros dados. Servem de base para uma vasta gama de aplicações, permitindo aos utilizadores ajustá-las para tarefas específicas, como melhorar a tomada de decisões nos cuidados de saúde ou automatizar processos. Estes modelos ajudam a impulsionar a eficiência e a inovação em vários setores, incluindo os cuidados de saúde.10 

No entanto, esta energia tem um custo, já que a IA generativa não é ecológica. Os sistemas multifuncionais de IA generativa requerem um consumo de energia significativo para a realização de tarefas. Por exemplo, a geração de uma única imagem de IA (uma das tarefas de utilização mais intensiva de energia) utiliza tanta energia como para carregar totalmente um smartphone.11 A sensibilização para os custos ambientais relacionados com o consumo de energia aumentará à medida que profissões como a HEOR incorporam os LLM no seu trabalho de rotina. A maior parte do trabalho da HEOR está, atualmente, centrada na classificação de texto, onde o treino do modelo está entre as tarefas que consomem menos energia. No entanto, à medida que o campo progride para uma ampla adoção de tarefas de inferência de modelo - em que um modelo de aprendizagem previamente treinado tira conclusões ou faz previsões de um novo conjunto de dados - os custos ambientais aumentarão significativamente.12

Um modelo especializado em HEOR, treinado especificamente em métodos, dados e publicações de HEOR, não está no horizonte imediato. Os desafios de engenharia mencionados anteriormente de desenvolver boas práticas terão de ocorrer antes que o mecanismo HEOR possa ser implementado de forma responsável em escala. Qualquer tarefa que envolva aspetos qualitativos, como a avaliação da tendência de publicação, a adequação dos métodos estatísticos e a avaliação das conclusões de forma justa e equilibrada, destaca a importância contínua da supervisão humana.13

Traçar o caminho a seguir na IA

Embora a inteligência artificial possa aumentar a velocidade da inovação, esta tecnologia não nos ajudará na navegação. Simplificando, podemos ir na direção errada mais rápido. Seguir por várias estradas sem saída a um ritmo mais rápido acabará por nos ajudar a traçar o rumo certo, mas, atualmente, não há nenhum recurso de GPS incorporado na IA generativa. Ironicamente, à medida que aumenta o volume de publicações de HEOR com IA generativa, a procura de revisões de literatura baseadas em IA também aumentará. A IA criará as suas próprias dores de cabeça e os seus próprios mercados, criando novos desafios que exigirão que a IA resolva, gerando a sua própria procura de forma circular.

Diante da perspetiva de uma profissão radicalmente redesenhada, estão a surgir novas questões para a HEOR. Devemos esperar que a evidência da HEOR seja sintetizada mais rapidamente? Devemos esperar que a tomada de decisões mais rápida em termos de cuidados de saúde se traduza num acesso mais rápido dos doentes a novas terapias? Qual é o risco de adotar a IA muito lentamente? Está a ficar cada vez mais difícil recordar as lições de senso comum do passado. Os investigadores que estão dispostos a testar os limites do motor da IA generativa estabelecerão novos recordes mundiais... ou falharão redondamente. O caminho mais sensato para a maioria de nós é provavelmente uma aceleração gradual, baseada na supervisão humana, na avaliação prudente na seleção de entradas de dados e na validação manual de saídas. No entanto, uma coisa é certa: a era da IA generativa acabará por tornar obsoleto o antigo limite de velocidade.

Para mais informações sobre a The Professional Society for Health Economics and Outcomes Research (ISPOR) visite: https://www.ispor.org/

Research (ISPOR), visite: http://www.ispor.org/