Um estudo de cientistas do St. Jude Children’s Research Hospital (EUA) sugere que a inteligência artificial pode ajudar médicos a perceber quais os sobreviventes de cancro pediátrico que precisam de apoio mais direcionado — e que a qualidade dos resultados depende muito da forma como a IA é “instruída”. O trabalho foi publicado na revista Communications Medicine.
O problema: muita informação útil fica “escondida” nas conversas
Parte importante de uma consulta é a conversa entre doente e médico sobre sintomas e impacto no dia a dia. O estudo lembra que cerca de 40%–60% do encontro clínico pode ser ocupado por este tipo de relato. O desafio é que, muitas vezes, esta informação fica em transcrições e respostas abertas a questionários, difíceis de rever rapidamente.
Como os efeitos tardios do cancro pediátrico e dos tratamentos podem surgir anos depois, identificar quem tem sintomas suficientemente graves para precisar de apoio extra é complexo. A proposta do estudo é usar modelos de linguagem para analisar essa informação e destacar casos com maior necessidade.
Como foi feito o estudo
Os investigadores entrevistaram 30 sobreviventes entre oito e 17 anos e os seus cuidadores. Depois:
- dois especialistas humanos analisaram as transcrições, procurando sinais de dor e fadiga intensas e impacto na vida diária;
- essa análise gerou mais de 800 unidades de informação analisáveis;
- os sintomas foram classificados por gravidade e por impacto físico, cognitivo e social.
A seguir, os investigadores deram as mesmas transcrições a dois modelos de linguagem, ChatGPT e Llama, usando quatro estilos diferentes de instruções (“prompts”), para comparar com a avaliação humana.
O que mudou os resultados: o tipo de prompt
O estudo comparou quatro estratégias de prompting:
- duas simples (zero-shot e few-shot), com pouca ou nenhuma informação além da instrução básica;
- duas complexas (chain-of-thought e generated knowledge), com orientação mais estruturada.
As abordagens simples deram resultados instáveis e menos fiáveis. As estratégias complexas tiveram melhor desempenho e maior concordância com os avaliadores humanos.
Segundo os autores, os métodos complexos conseguiram distinguir bem o impacto físico e cognitivo dos sintomas e tiveram uma capacidade moderada para detetar impacto social.
O que isto pode significar na prática
Os investigadores apresentam este trabalho como prova de conceito de que a IA pode ajudar a “desbloquear” informação relevante escondida em conversas que hoje ficam pouco aproveitadas. A expectativa é que, no futuro, isto possa apoiar decisões clínicas, ajudando a identificar em tempo útil quem precisa de acompanhamento e suporte extra.
Ainda assim, os autores sublinham que será necessário muito mais teste antes de uma aplicação clínica rotineira. O estudo sugere, no entanto, que estratégias de prompting mais sofisticadas devem ser a base de trabalhos futuros nesta área.
Fonte: News Medical