Com as inovações emergentes em Inteligência Artificial (IA) prontas para impactar substancialmente a prática médica, cresce o interesse em treinar médicos atuais e futuros sobre a tecnologia. Junto vem a pergunta sobre o que, precisamente, os estudantes de Medicina devem ser ensinados. Embora as competências para o uso clínico da IA sejam amplamente semelhantes às de qualquer outra tecnologia inovadora, existem diferenças qualitativas de importância crítica nas preocupações relacionadas à explicabilidade, equidade na saúde e segurança dos dados. Com base nas experiências da Faculdade de Medicina da Universidade de Toronto no Canadá e nos “datathons” do MIT Critical Data, os autores advogam uma abordagem com foco duplo: combinando adições robustas e focadas em Data Science aos currículos de linha de base da pesquisa em saúde e programas extracurriculares para cultivar a liderança neste espaço.

Acompanhe o artigo. Boa leitura.

O que os médicos precisam entender sobre a IA no contexto clínico?

Mais diretamente, os médicos precisam entender a IA da mesma maneira que precisam entender qualquer tecnologia que afete a tomada de decisão clínica. Um médico que utiliza ressonância magnética, por exemplo, não precisa entender a física de partículas que diferencia as varreduras ponderadas em T1 e T2, mas precisa ser capaz de:

I) Usar – identificar quando a tecnologia é apropriada para um determinado contexto clínico e quais entradas são necessárias para obter resultados significativos.

II) Interpretar – entender e interpretar os resultados com um grau razoável de precisão, incluindo o conhecimento de fontes de erro, preconceito ou inaplicabilidade clínica.

III) Explicar – ser capaz de comunicar os resultados e os processos subjacentes a eles de uma maneira que outros (por exemplo, profissionais de saúde e pacientes) possam entender.

Essas habilidades assumem nuances específicas no contexto da IA. Para (I) e (II), é fundamental que os médicos apreciem a natureza altamente específica do contexto da IA ​​e o fato de que o desempenho em um único contexto restrito nem sempre pode ser transferível. Também é importante estar ciente de fatores que podem diminuir o desempenho de algoritmos para grupos específicos de pacientes.

A IA tem sido comumente criticada pelo efeito “caixa preta” – ou seja, o mecanismo pelo qual um modelo chega a uma decisão pode ser indecifrável. Essa falta de explicabilidade técnica, no entanto, não cumpre as obrigações do item (III). Para satisfazer os requisitos de consentimento informado e colaboração clínica, um médico pode ser chamado a comunicar sua compreensão da origem, natureza e justificativa dos resultados de um algoritmo a pacientes, famílias e colegas.

O que os médicos precisam entender sobre IA no contexto profissional mais amplo?

As obrigações profissionais dos médicos vão além do papel clínico, na liderança e na defesa da saúde. As perspectivas disruptivas da IA ​​nos cuidados de saúde levantam desafios éticos e operacionais significativos com os quais os médicos devem estar coletivamente preparados para se engajar, a fim de garantir o bem-estar do paciente.

Existem preocupações substanciais com relação ao impacto do suporte à decisão clínica algorítmica na equidade em saúde, devido a fatores como o uso de conjuntos de dados sem representação de populações minoritárias e a possibilidade de algoritmos aprenderem e perpetuarem vieses existentes. Os riscos relacionados à segurança e privacidade dos dados também estão se tornando rapidamente aparentes. Há também, no entanto, o potencial da própria IA para aliviar alguns dos problemas existentes da Medicina com preconceitos e injustiça. Os médicos devem estar cientes de ambas as possibilidades e estar preparados para advogar pelo desenvolvimento e implantação de sistemas éticos e equitativos. Por fim, os médicos devem agir como responsáveis ​​pelos dados do paciente para garantir que a confiança fundamental entre prestador e paciente não seja violada.

Como os estudantes de Medicina podem aprender o que precisam aprender?

Esforços concentrados devem ser tomados para cultivar médicos-líderes que sejam fluentes em IA e Medicina. Essa dupla competência é importante, pois não é tarefa simples selecionar alvos clinicamente relevantes e computacionalmente viáveis ​​para a IA na Medicina. Uma abordagem em silos pode levar a que objetivos clínicos claros passem despercebidos e piorar a produção de “soluções técnicas em busca de problemas”. Uma abordagem multidisciplinar e integrada do aprendizado servirá para facilitar esse objetivo.

Ao abordar um tópico tão complexo, é fundamental distinguir entre o que todos os médicos devem saber para a prática cotidiana e o que alguns médicos devem saber para impulsionar a inovação. Os componentes curriculares devem ser direcionados para abordar o primeiro, enquanto programas extracurriculares robustos podem ser direcionados para o último. Ambos os componentes servem para promover discussões sobre como a convergência entre IA e Medicina está impactando atualmente e continuará a impactar a identidade do médico. Isso está alinhado com o conceito de “escola médica reimaginada”, que estabelece uma estrutura de conhecimento central, ao mesmo tempo em que apoia os estudantes que buscam mergulhos profundos em áreas específicas.

Essa abordagem foi testada na Faculdade de Medicina da Universidade de Toronto (UofT) e foi adotada pela administração como uma parte importante do plano estratégico da Faculdade. As palestras no currículo pré-clínico introduzem todos os alunos nesses conceitos, e o programa de certificação “Computing for Medicine”, com dois anos de duração, fornece aos alunos particularmente interessados ​​habilidades práticas de programação e imersão em projetos de ciência de dados clínicos. Além disso, um grupo de interesse de estudantes de “IA em Medicina” organiza seminários extracurriculares sobre o assunto e ajuda a facilitar as conexões entre estudantes de Medicina e o ecossistema de IA mais amplo da cidade (na academia e na indústria).

A Harvard Medical School adotou uma abordagem semelhante, oferecendo treinamento em informática clínica como eletiva para estudantes de Medicina. Durante esta eletiva, os alunos são emparelhados com mentores do corpo docente em sua área de interesse e se envolvem em uma mistura de aprendizado didático e prático para explorar como a informática é incorporada aos sistemas de saúde. A Escola também colaborou com o grupo de Dados Críticos do MIT para oferecer um curso baseado em projetos sobre Ciência de Dados em Medicina. Extracurricularmente, o MIT Critical Data Group trabalhou para estimular o interesse na IA por meio de “datathons” (breves competições em que cientistas da computação e médicos trabalham juntos para usar dados para resolver problemas clínicos). Essas colaborações são emblemáticas das possibilidades de colaboração com faculdades não médicas para enriquecer a educação dos estudantes de medicina.

Com o insight dessas experiências, identificamos uma série de oportunidades importantes nos âmbitos curricular e extracurricular. Desejamos enfatizar a importância de encontrar sinergia entre os objetivos de aprendizagem e sua entrega, e de manter um elo centrado no aluno, com foco no envolvimento do aluno, e não na transferência passiva de conhecimento. Esses conceitos devem ser integrados a outros aspectos do currículo, sempre que apropriado (como a inclusão de um estudo de caso de IA em um workshop sobre tomada de decisões clínicas éticas), pois as competências necessárias para trabalhar efetivamente com a IA geralmente se sobrepõem às necessárias para cumprir outros aspectos centrais do papel do médico, como advocacia, liderança e comunicação. As escolas de Medicina têm um papel fundamental a desempenhar não apenas para ajudar seus alunos a aprender, mas também para nutrir seus interesses acadêmicos e plantar as sementes da liderança futura. Essas recomendações podem e devem ser adaptadas ao contexto e aos pontos fortes de cada escola de Medicina, suas parcerias e seu corpo discente.

E depois da faculdade de Medicina?

Embora a discussão detalhada sobre educação médica de pós-graduação (PGME) e educação médica continuada (CME) esteja fora do escopo deste trabalho, é importante considerar que a educação médica é vista como uma busca ao longo da vida e é necessário prestar atenção aos alunos da fases posteriores da carreira. As competências em torno da IA ​​podem ser integradas nos currículos do PGME em blocos existentes de pesquisa ou melhoria da qualidade (QI). O treinamento em pesquisa, para estagiários médicos ou cirúrgicos, poderia ser em áreas técnicas, como Ciência de Dados ou engenharia biomédica, mas também em ética, pesquisa em serviços de saúde e educação médica. QI se concentraria na tradução e avaliação de inovações comprovadas em assistência. As ofertas de EMC através de workshops on-line ou presenciais podem não apenas permitir que os médicos atualizem suas competências ao longo de sua carreira, mas também capacitar os profissionais estabelecidos com as habilidades e conhecimentos para acompanhar esse campo. Os vários aspectos curriculares podem ser modificados para se adaptarem aos alunos em diferentes estágios de suas carreiras.

Conclusão

Por fim, as escolas de Medicina têm a tarefa de treinar médicos para um futuro em que a Inteligência Artificial esteja pronta para desempenhar um papel significativo. Para ter sucesso nessa tarefa, será essencial que os alunos tenham oportunidades de aprendizado curricular e extracurricular em relação ao uso clínico, limitações técnicas e implicações éticas das ferramentas à sua disposição. Dada a importância e o impacto potencial dessa tecnologia, devemos agir para garantir uma base de conhecimento em inteligência artificial entre os médicos em geral e para nutrir as habilidades e os interesses dos futuros líderes que impulsionarão a inovação neste espaço.

Fonte: Nature – What do medical students actually need to know about artificial intelligence?


Conheça, a Formação IA Aplicada à Medicina, um programa de capacitação incrível que vem encantando profissionais de saúde e de IA em todo Brasil:

Formação IA Aplicada à Medicina