No mundo da medicina contemporânea, a tecnologia tem assumido um papel cada vez mais central. Desde diagnósticos baseados em inteligência artificial até registros médicos eletrônicos e telemedicina, a prática médica tem se transformado com a inclusão de novas ferramentas digitais. Neste contexto, é essencial que os médicos mantenham-se atualizados e em sintonia com as mais recentes inovações. Recentemente, um campo particularmente emocionante de estudo tem sido o dos Grandes Modelos de Linguagem (LLMs) na medicina, uma fronteira que promete redefinir ainda mais a interação médico-paciente e a tomada de decisões clínicas.
Os Grandes Modelos de Linguagem (LLMs), uma revolução na Inteligência Artificial, marcam uma nova era no processamento de linguagem natural. Mas o que exatamente eles são?🤔 Em termos simples, os LLMs são modelos de inteligência artificial treinados para entender e gerar linguagem humana de forma significativa e relevante. Esses modelos foram treinados em vastos volumes de texto - da ordem de milhões de livros e artigos - permitindo-lhes aprender a gramática, o vocabulário e até mesmo as nuances culturais e contextuais da linguagem. O poder desses modelos vem da sua capacidade de completar tarefas linguísticas variadas, desde responder perguntas e resumir textos até traduzir entre idiomas e gerar conteúdo novo. A grande inovação dos LLMs é que eles podem realizar todas essas tarefas sem treinamento específico - eles "aprendem" a fazer isso a partir dos dados em que foram treinados.
Um estudo publicado na Nature, em 12 de julho de 2023, intitulado Large language models encode clinical knowledge abordou o desempenho e o potencial dos LLMs em aplicações clínicas. Neste estudo, os pesquisadores avaliaram o modelo de linguagem Pathways (PaLM), que contém 540 bilhões de parâmetros, em uma série de benchmarks médicos. O PaLM e sua variante ajustada para instruções, o Flan-PaLM, foram testados em uma variedade de tarefas, incluindo respostas a perguntas médicas. Os resultados foram impressionantes: o Flan-PaLM superou o estado da arte em todas as tarefas, incluindo uma precisão de 67,6% no MedQA, um conjunto de perguntas ao estilo do Exame de Licenciamento Médico dos EUA.
No entanto, os pesquisadores destacaram algumas lacunas chave. Embora o Flan-PaLM tenha apresentado alto desempenho nas questões de múltipla escolha, suas respostas a perguntas médicas dos consumidores apresentaram falhas significativas. Para resolver isso, os pesquisadores propuseram a técnica de ajuste do prompt de instrução, que adaptou o modelo para o domínio médico. O modelo resultante, Med-PaLM, apresentou melhorias significativas, embora ainda não esteja no mesmo nível dos médicos clínicos.
Para além do estudo específico, foram apresentadas diversas contribuições importantes para a avaliação e aplicação dos LLMs no campo da medicina. Foi desenvolvido um método para avaliar os LLMs no contexto de respostas a perguntas médicas, através da criação de um conjunto de dados de perguntas médicas comumente pesquisadas. Além disso, foi elaborada uma estrutura para avaliação por médicos e usuários leigos, permitindo avaliar múltiplos aspectos do desempenho dos LLMs além da precisão em conjuntos de dados de múltipla escolha. Isso inclui a concordância das respostas com o consenso científico e clínico, a probabilidade e a possível extensão do dano, a compreensão da leitura, a recuperação do conhecimento clínico relevante, e a manipulação do conhecimento através de raciocínio válido, entre outros.
É evidente o potencial dos LLMs em transformar a medicina. Com a capacidade de recuperar conhecimento, apoiar decisões clínicas, resumir descobertas-chave, triar pacientes e abordar preocupações de atendimento primário, esses modelos podem ser uma ferramenta poderosa para médicos. No entanto, a segurança e a precisão são de suma importância, e mais pesquisa é necessária antes que esses modelos possam ser plenamente integrados à prática médica.
Esperamos que essas informações sobre avanços recentes na medicina sejam úteis para você. Como profissional de saúde, é importante manter-se atualizado, principalmente em relação a novas tecnologias na área. Inscreva-se em nossa newsletter para continuar recebendo nossos artigos e estudos. Estamos aqui para apoiar sua jornada profissional, fornecendo conhecimentos de qualidade diariamente.
Leia também:
Referência:
Singhal, K., Azizi, S., Tu, T. et al. Large language models encode clinical knowledge. Nature (2023). https://doi.org/10.1038/s41586-023-06291-2