O MIT lidera pesquisa para tornar a IA m\u00e9dica mais colaborativa e menos contundente. O objetivo \u00e9 evitar que sistemas atuais orientem m\u00e9dicos de forma err\u00f4nea ao apresentar confian\u00e7a excessiva em diagn\u00f3sticos.<\/p>\n
Uma equipe internacional, liderada pelo MIT, desenvolve frameworks para IA que revelam incerteza. A busca \u00e9 criar co-pilotos que sinalizem quando \u00e9 necess\u00e1rio buscar mais informa\u00e7\u00f5es antes de decis\u00f5es cl\u00ednicas.<\/p>\n
O estudo, divulgado hoje na BMJ Health and Care Informatics, conta com Sebasti\u00e1n Andr\u00e9s Cajas Ordo\u00f1ez como autor principal. O grupo trabalha com dados da rede MIMIC, do Beth Israel Deaconess Medical Center.<\/p>\n
O projeto prop\u00f5e m\u00f3dulos computacionais para IA existente, incluindo uma autoavalia\u00e7\u00e3o de certeza chamada Epistemic Virtue Score. Esse recurso ajusta a confian\u00e7a conforme a complexidade de cada caso cl\u00ednico.<\/p>\n
Se a IA detectar que a confian\u00e7a excede a evid\u00eancia dispon\u00edvel, o sistema pode pausar, solicitar exames adicionais ou levantar a necessidade de consultoria especializada. A inten\u00e7\u00e3o \u00e9 reduzir a influ\u00eancia excessiva da IA nas decis\u00f5es.<\/p>\n
Para Celi, o conceito \u00e9 transformar IA de or\u00e1culo para co-piloto, ampliando a capacidade de conectividade entre dados e avalia\u00e7\u00e3o humana. O pesquisador atua no MIT, no Beth Israel Deaconess e no Harvard Medical School.<\/p>\n
A equipe j\u00e1 desenvolveu bases de dados amplas, como a MIMIC, para treinar modelos de IA. O pr\u00f3ximo passo envolve aplicar o framework em IA usadas para analisar imagens de raio-X e indicar tratamentos no pronto atendimento.<\/p>\n
O estudo tamb\u00e9m aborda vi\u00e9s e inclus\u00e3o, ressaltando que muitos modelos s\u00e3o treinados com dados p\u00fablicos dos EUA e podem excluir perfis de pacientes. Diferentes perspectivas s\u00e3o consideradas para reduzir impactos discriminat\u00f3rios.<\/p>\n
Os pesquisadores defendem que IA m\u00e9dica deve ser criada com a participa\u00e7\u00e3o de profissionais de sa\u00fade, enfermos e comunidades. Workshops do MIT Critical Data envolvem designers, m\u00e9dicos, assistentes sociais e pacientes para revisar conjuntos de dados.<\/p>\n
O financiamento do estudo veio do Boston-Korea Innovative Research Project, via Korea Health Industry Development Institute. A equipe aponta que avan\u00e7os t\u00e9cnicos devem andar junto de pr\u00e1ticas mais transparentes e inclusivas.<\/p>\n","protected":false},"excerpt":{"rendered":"