“`html

A inteligência artificial transforma os ensaios clínicos, mas os desafios permanecem imensos

A inteligência artificial está se impondo progressivamente no campo dos ensaios clínicos, prometendo acelerar a pesquisa médica, reduzir custos e melhorar a eficácia dos tratamentos. No entanto, sua integração levanta questões complexas que vão além das simples promessas tecnológicas.

No desenho de protocolos, a inteligência artificial agora permite gerar automaticamente documentos complexos a partir de simples resumos fornecidos pelos pesquisadores. Isso reduz consideravelmente o tempo necessário para redigir protocolos detalhados, uma tarefa antes longa e tediosa. No entanto, essa rapidez vem acompanhada de riscos, como o de divulgar informações sensíveis sobre medicamentos ou designs inovadores quando esses dados são inseridos em sistemas externos. Os modelos preditivos, por sua vez, analisam bancos de dados históricos para antecipar resultados operacionais-chave, como a capacidade de atingir metas de recrutamento ou identificar critérios de inclusão ideais. Essas ferramentas ajudam a evitar falhas dispendiosas, mas sua eficácia depende fortemente da qualidade e da representatividade dos dados utilizados.

O recrutamento de pacientes, frequentementes fonte de atrasos nos ensaios, também se beneficia do aporte da inteligência artificial. Sistemas avançados analisam milhões de documentos médicos em tempo recorde para identificar candidatos elegíveis. Por exemplo, uma plataforma processou mais de 83 milhões de documentos em menos de duas semanas, gerando bilhões de termos médicos padronizados. Essas tecnologias permitem reduzir pela metade o tempo de triagem manual, liberando assim tempo para as equipes médicas. Elas também revelam que muitos critérios de elegibilidade excluem desnecessariamente pacientes sem afetar os resultados terapêuticos. Ao flexibilizar essas regras, os ensaios poderiam incluir o dobro de participantes, mantendo sua segurança.

No entanto, o desempenho desses sistemas varia. Alguns atingem altas taxas de recall, identificando a maioria dos pacientes elegíveis, mas com uma precisão às vezes baixa, o que significa que também incluem candidatos não elegíveis. Por outro lado, um sistema muito preciso reduz a carga de trabalho para os revisores humanos, mas corre o risco de excluir pacientes válidos. Os avanços recentes, como modelos que combinam recuperação e geração de dados, mostram resultados promissores, com taxas de exatidão superiores a 97%, superando até mesmo os coordenadores humanos em certas tarefas.

A análise de dados representa outra área em que a inteligência artificial se destaca. Ela permite processar conjuntos de dados complexos, como aqueles provenientes de dispositivos conectados ou de imagens médicas, oferecendo uma riqueza de informações inédita. No entanto, um debate persiste entre os métodos tradicionais de estatística e os modelos modernos. As abordagens clássicas, como a regressão logística, oferecem uma transparência inigualável, permitindo entender claramente a influência de cada variável. Os modelos de inteligência artificial, embora muitas vezes mais precisos, funcionam como caixas-pretas, tornando seu raciocínio interno difícil de decifrar. Essa opacidade representa um desafio maior para a adoção clínica, pois os médicos hesitam em seguir recomendações que não compreendem, especialmente em situações críticas.

Os viéses algorítmicos constituem outro obstáculo significativo. Os sistemas podem perpetuar, ou até amplificar, desigualdades existentes se os dados utilizados para seu treinamento refletirem disparidades históricas. Por exemplo, um algoritmo amplamente utilizado nos Estados Unidos para avaliar a necessidade de cuidados intensivos favoreceu pacientes brancos em detrimento de pacientes negros, pois usava os custos de saúde passados como indicador de necessidades futuras, um critério enviesado por desigualdades estruturais. Da mesma forma, ferramentas de diagnóstico cardiovascular treinadas principalmente com dados masculinos mostram precisão reduzida para mulheres, cujos sintomas muitas vezes diferem. Esses viéses destacam a importância de diversificar as equipes de desenvolvimento e os conjuntos de dados para garantir resultados equitativos.

A transparência dos modelos também é uma questão crucial. Clínicos e pacientes devem poder entender como uma decisão foi tomada, especialmente quando esta tem impacto direto em vidas. Métodos de explicação post-hoc, como LIME ou SHAP, tentam tornar os modelos mais compreensíveis, identificando os fatores mais influentes para uma previsão dada. No entanto, essas explicações permanecem aproximações e podem elas mesmas ser enganosas. Alguns modelos, projetados para serem intrinsecamente interpretáveis, como as árvores de decisão, oferecem uma alternativa, embora sua precisão possa ser inferior à dos modelos complexos.

Os desafios não são apenas técnicos. A integração da inteligência artificial nos ensaios clínicos levanta questões éticas e jurídicas não resolvidas. Quem é responsável em caso de erro médico envolvendo um sistema de inteligência artificial? O desenvolvedor, a instituição médica, o clínico ou o paciente? A difusão dessa responsabilidade, muitas vezes chamada de “problema das muitas mãos”, complica a atribuição de culpas e pode deixar os pacientes sem recurso claro. Alguns propõem uma responsabilidade coletiva, na qual todos os atores envolvidos compartilhariam a carga, mas essa abordagem ainda precisa ser desenvolvida.

A propriedade dos dados e o consentimento dos pacientes também representam problemas. Em um ensaio tradicional, um paciente consente com o uso de seus dados para um objetivo específico e limitado no tempo. Com a inteligência artificial, os dados são frequentemente reutilizados indefinidamente para treinar e melhorar modelos, o que levanta questões sobre sua propriedade e controle. Modelos de soberania de dados, nos quais os pacientes mantêm um controle granular sobre suas informações, surgem como uma solução possível, mas sua implementação em grande escala permanece complexa.

Os sistemas descentralizados, como o aprendizado federado e a blockchain, oferecem caminhos para superar os obstáculos relacionados à confidencialidade e ao acesso aos dados. O aprendizado federado permite treinar modelos em dados distribuídos em várias instituições, sem jamais centralizar as informações sensíveis. No entanto, essa abordagem enfrenta desafios práticos, como a heterogeneidade dos dados entre os locais, que pode degradar o desempenho do modelo global. A blockchain, por sua vez, poderia garantir a integridade e a rastreabilidade dos dados, mas sua adoção esbarra em problemas de escalabilidade, consumo energético e conformidade com regulamentações de proteção de dados, como o direito ao esquecimento.

Os custos e os ganhos de eficiência promovidos pela inteligência artificial são frequentementes destacados. Estudos mostram que o recrutamento online reduz os custos por paciente de 199 para 72 dólares e acelera significativamente o processo. Outros relatórios indicam uma redução de 10 a 15% no tempo de inscrição em ensaios piloto. No entanto, esses números geralmente vêm de estudos financiados pela indústria ou de relatórios internos, que podem ser enviesados ou carecer de validação independente. Análises econômicas rigorosas ainda são raras, e os resultados disponíveis mostram lacunas metodológicas importantes.

Por fim, o impacto da inteligência artificial na carga de trabalho dos clínicos e na experiência dos pacientes é ambivalente. Embora algumas ferramentas automatizem tarefas administrativas tediosas, liberando tempo para os cuidados diretos, outras podem, ao contrário, aumentar a carga ao exigir verificação constante dos resultados gerados. Os pacientes, por sua vez, oscilam entre a esperança de diagnósticos mais precisos e tratamentos personalizados e o receio de perda de confidencialidade ou redução das interações humanas. Uma pesquisa recente revela que 60% dos americanos se sentiriam desconfortáveis se seu provedor de cuidados utilizasse inteligência artificial para tomadas de decisão médica.

“`

Documentation et sources

Document de référence

DOI : https://doi.org/10.1007/s10791-026-10205-x

Titre : The transformative and turbulent integration of artificial intelligence in clinical trials: a critical review

Revue : Discover Computing

Éditeur : Springer Science and Business Media LLC

Auteurs : Ying Xuan Lim; Long Chiau Ming; Nancy Choon-Si Ng; Serena Leow; Rahul G. Ingle