Em um teste precoce do mundo real sobre inteligência artificial na pesquisa em saúde, cientistas da UC San Francisco e da Wayne State University descobriram que a IA generativa poderia processar enormes conjuntos de dados médicos muito mais rapidamente do que equipes de ciência da computação tradicionais — e, em alguns casos, produzir resultados ainda mais robustos. Especialistas humanos haviam passado meses analisando cuidadosamente as mesmas informações.
Para comparar o desempenho de forma direta, os pesquisadores atribuírem tarefas idênticas a diferentes grupos. Algumas equipes se basearam totalmente na expertise humana, enquanto outras utilizavam cientistas trabalhando com ferramentas de IA. O desafio era prever o parto prematuro usando dados de mais de 1.000 gestantes.
Mesmo uma dupla de pesquisa júnior, composta pelo estudante de mestrado da UCSF, Reuben Sarwal, e um estudante do ensino médio, Victor Tarca, conseguiu desenvolver modelos de previsão com o apoio da IA. O sistema gerou um código de computador funcional em minutos — algo que normalmente levaria a programadores experientes várias horas ou até dias.
A vantagem veio da capacidade da IA de escrever código analítico com base em comandos curtos, mas altamente específicos. Nem todos os sistemas tiveram um bom desempenho. Apenas 4 dos 8 chatbots de IA produziram códigos utilizáveis. No entanto, aqueles que foram bem-sucedidos não exigiram grandes equipes de especialistas para orientá-los.
Devido a essa rapidez, os pesquisadores juniores foram capazes de concluir seus experimentos, verificar suas descobertas e submeter seus resultados a uma revista em poucos meses.
“Essas ferramentas de IA poderiam aliviar um dos maiores gargalos na ciência de dados: a construção de nossos pipelines de análise,” disse Marina Sirota, PhD, professora de Pediatria e diretora interina do Bakar Computational Health Sciences Institute (BCHSI) na UCSF, além de principal investigadora do March of Dimes Prematurity Research Center na UCSF. “A aceleração não poderia chegar em melhor hora para os pacientes que precisam de ajuda agora.”
Sirota é co-autora sênior do estudo, publicado na Cell Reports Medicine em 17 de fevereiro.
Por que a pesquisa sobre parto prematuro é importante
Acelerando a análise de dados, pode-se aprimorar as ferramentas de diagnóstico para o parto prematuro — a principal causa de mortalidade neonatal e um grande contribuinte para déficits motores e cognitivos a longo prazo em crianças. Nos Estados Unidos, cerca de 1.000 bebês nascem prematuramente a cada dia.
Os pesquisadores ainda não compreendem totalmente as causas do parto prematuro. Para investigar possíveis fatores de risco, a equipe de Sirota compilou dados microbiômicos de cerca de 1.200 gestantes cujos resultados foram acompanhados em nove estudos separados.
“Esse tipo de trabalho só é possível com o compartilhamento aberto de dados, reunindo as experiências de muitas mulheres e a expertise de muitos pesquisadores,” disse Tomiko T. Oskotsky, MD, codiretor do March of Dimes Preterm Birth Data Repository, professora associada no UCSF BCHSI e co-autora do artigo.
No entanto, analisar um conjunto de dados tão vasto e complexo apresentou desafios. Para enfrentar isso, os pesquisadores recorreram a uma competição global de crowdsourcing chamada DREAM (Diálogo sobre Avaliação e Métodos de Engenharia Reversa).
Sirota co-liderou um dos três desafios da DREAM sobre gravidez, focando especificamente em dados do microbioma vaginal. Mais de 100 equipes de todo o mundo participaram, desenvolvendo modelos de aprendizado de máquina projetados para detectar padrões relacionados ao parto prematuro. A maioria dos grupos concluiu seu trabalho dentro do prazo de três meses da competição. No entanto, levou quase dois anos para consolidar as descobertas e publicá-las.
Testando IA em dados sobre gravidez e microbioma
Curiosos para saber se a IA generativa poderia encurtar esse cronograma, o grupo de Sirota se juntou a pesquisadores liderados por Adi L. Tarca, PhD, co-autor sênior e professor no Center for Molecular Medicine and Genetics da Wayne State University, em Detroit, MI. Tarca havia liderado os outros dois desafios da DREAM, que se concentraram em melhorar os métodos para estimar a fase da gravidez.
Juntos, os pesquisadores instruíram oito sistemas de IA a gerar algoritmos independentes usando os mesmos conjuntos de dados dos três desafios da DREAM, sem codificação humana direta.
Os chatbots de IA receberam instruções em linguagem natural cuidadosamente escritas. Assim como o ChatGPT, os sistemas foram guiados por prompts detalhados projetados para direcioná-los a analisar os dados de saúde de maneiras comparáveis aos participantes originais da DREAM.
Seus objetivos refletiam os desafios anteriores. Os sistemas de IA analisaram dados do microbioma vaginal para identificar sinais de parto prematuro e examinaram amostras de sangue ou placenta para estimar a idade gestacional. A datação da gravidez é quase sempre uma estimativa, mas determina o tipo de cuidado que as mulheres recebem à medida que as gestantes avançam. Quando as estimativas são imprecisas, preparar-se para o trabalho de parto se torna mais difícil.
Os pesquisadores então executaram o código gerado pela IA usando os conjuntos de dados da DREAM. Apenas 4 dos 8 ferramentas produziram modelos que corresponderam ao desempenho das equipes humanas, embora em alguns casos os modelos de IA tenham apresentado um desempenho melhor. Todo o esforço da IA generativa — desde a concepção até a submissão de um artigo — levou apenas seis meses.
Os cientistas enfatizam que a IA ainda requer supervisão cuidadosa. Esses sistemas podem produzir resultados enganosos, e a expertise humana continua sendo essencial. No entanto, ao classificar rapidamente enormes conjuntos de dados de saúde, a IA generativa pode permitir que os pesquisadores passem menos tempo solucionando problemas de código e mais tempo interpretando resultados e fazendo perguntas científicas significativas.
“Graças à IA generativa, pesquisadores com uma formação limitada em ciência de dados não precisarão sempre formar grandes colaborações ou gastar horas depurando código,” disse Tarca. “Eles podem se concentrar em responder às perguntas biomédicas corretas.”
Autores: Os autores da UCSF são Reuben Sarwal; Claire Dubin; Sanchita Bhattacharya, MS; e Atul Butte, MD, PhD. Outros autores são Victor Tarca (Huron High School, Ann Arbor, MI); Nikolas Kalavros e Gustavo Stolovitzky, PhD (New York University); Gaurav Bhatti (Wayne State University); e Roberto Romero, MD, D(Med)Sc (Instituto Nacional de Saúde Infantil e Desenvolvimento Humano (NICHD)).
Financiamento: Este trabalho foi financiado pelo March of Dimes Prematurity Research Center na UCSF e pela ImmPort. Os dados usados neste estudo foram gerados em parte com o apoio da Pregnancy Research Branch do NICHD.
