O impacto dos fatores sociais e ambientais sobre a saúde é inegável, mas a captura e o endereçamento desses fatores pelos profissionais de saúde permanecem desafiadores. Um estudo conduzido pelo Mass General Brigham, publicado em npj Digital Medicine em 11 de janeiro de 2024, revela que os modelos de linguagem de grande escala, uma forma de inteligência artificial generativa, podem ser treinados para extrair automaticamente informações sobre os Determinantes Sociais da Saúde das notas clínicas dos médicos, potencializando a identificação de pacientes que necessitam de suporte de recursos.
O estudo destaca que modelos refinados podem identificar 93,8% dos pacientes com Determinantes Sociais da Saúde adversos, em contraste com apenas 2% dos casos registrados em códigos diagnósticos oficiais. Esses modelos especializados demonstraram menor propensão ao viés em comparação com modelos generalistas como o GPT-4.
Danielle Bitterman, MD, membro da equipe do Programa de Inteligência Artificial em Medicina (AIM) do Mass General Brigham e médica no Departamento de Radioterapia do Hospital Brigham and Women's, enfatiza a importância de identificar pacientes que podem se beneficiar do suporte de recursos e trabalho social, destacando o impacto subdocumentado dos fatores sociais nos resultados de saúde.
Para desenvolver linguagem de grande escalas capazes de extrair informações sobre os determinantes sociais em saúde, os pesquisadores revisaram manualmente 800 notas clínicas de 770 pacientes com câncer submetidos à radioterapia no Hospital Brigham and Women's. Eles marcaram frases que se referiam a um ou mais dos seis Determinantes Sociais em Saúde pré-determinados: status de emprego, moradia, transporte, status parental, relacionamentos e presença ou ausência de suporte social.
Utilizando esse conjunto de dados "anotado", treinaram Linguagens de grande escalas existentes para identificar referências a determinantes sociais em saúde em notas clínicas, testando seus modelos com 400 notas de clínicas de pacientes tratados com imunoterapia no Instituto de Câncer Dana-Farber e pacientes internados em unidades de cuidados críticos no Beth Israel Deaconess Medical Center.
Os Modelos de Linguagem ajustados, especialmente os modelos Flan-T5, identificaram consistentemente referências raras a Determinantes sociais em Saúde em notas clínicas. Para abordar a escassez de documentação desses determinates no conjunto de treinamento, os pesquisadores utilizaram o ChatGPT para produzir 900 exemplos sintéticos adicionais de frases de Determinantes Sociais em Saúde.
Um ponto crítico dos modelos de IA generativos na saúde é o potencial de perpetuar viés e ampliar disparidades de saúde. O estudo constatou que o Modelo de Linguagem ajustado era menos propenso do que o GPT-4, um Modelo de Linguagem generalista, a alterar sua determinação sobre um Determinante Social com base na raça/etnia e gênero dos indivíduos.
Bitterman ressalta que compreender as origens do viés algorítmico é um empreendimento contínuo e crucial. "Se não monitorarmos o viés algorítmico ao desenvolver e implementar modelos de linguagem de grande escala, podemos agravar as disparidades de saúde existentes", disse ela. O estudo demonstrou que o ajuste fino dos modelos de Linguagem pode ser uma estratégia para reduzir o viés algorítmico, embora mais pesquisas sejam necessárias nesta área.
Gostaria de aprofundar o seu conhecimento sobre as descobertas deste estudo? Deixamos aqui o link para acessar a pesquisa na íntegra!
Referência:
Generative artificial intelligence models effectively highlight social determinants of health in doctors' notes." Medical Xpress, 11 de janeiro de 2024. Disponível em: https://medicalxpress.com/news/2024-01-generative-artificial-intelligence-effectively-highlight.html.
Estar atualizado sobre as últimas descobertas e inovações nas ciências médicas faz sentido pra você? Se sim, inscreva-se em nossa newsletter e receba nossos conteúdos diretamente em sua caixa de e-mail!