Neste mês de março, a Sofya, healthtech que funciona como um Large Language Model (LLM) clínico programável, teve sua pesquisa aprovada no tradicional simpósio de primavera da Associação para o Avanço da Inteligência Artificial, hospedada no Clinical Foundation Models da Stanford. O objetivo do estudo, que será apresentado na tradicional universidade norte-americana, é facilitar o planejamento dos cuidados de saúde e garantir um atendimento eficiente e personalizado por meio de documentação clínica abrangente e organizada.
A solução se destaca por sua capacidade de estruturar dados médicos, interpretar uma variedade de resultados de diagnóstico e auxiliar em decisões clínicas complexas. Com a promessa de ter o código aberto em breve, a ferramenta não apenas superou os benchmarks de modelos de linguagem estabelecidos do mercado, tais como o GPT-3.5 e Mixtral7x8b, como também se equiparou com o Google-Gemini Pro em termos de padrões de interoperabilidade reconhecidos por entidades globais de saúde.
A motivação por trás do ensaio se dá pela crescente preocupação ligada à intensa carga de trabalho do setor médico. Estudos de campo mostram que mais de 50% dos médicos relatam sofrer burnout e quase 800 mil pacientes anualmente nos Estados Unidos são prejudicados por erros de diagnóstico. Muitos destes estavam associados a imprecisões cognitivas, de acordo com uma tese recente da Universidade John Hopkins.
De acordo com Igor Couto, CEO e fundador da Sofya, o projeto tem como missão permitir que a rotina médica seja menos burocrática, abrindo espaço para que os esforços dos profissionais sejam destinados ao atendimento do paciente. “Os médicos lidam diariamente com uma alta densidade de narrativas. Dar-lhes este nível de estrutura ajuda a aliviar a pressão e a sobrecarga na prestação de cuidados, além de garantir um salto na qualidade e personalização do cuidado com o paciente”, afirma Igor.
Por meio de sua pesquisa, Sofya aborda uma necessidade prática nos fluxos de trabalho clínicos, pavimentando o caminho para insights e inteligência mais profundas sobre o atendimento ao paciente no futuro. Para este trabalho, a ferramenta empregou um modelo básico multilíngue de código aberto para resolver o desafio da estruturação de dados do paciente.
Atualmente, a solução atua com três padrões destinados a subtarefas distintas. Contando com uma precisão de 91%, cada uma delas é focada em um aspecto diferente da informação do paciente: o resumo clínico, a impressão clínica e a estruturação de encontros médicos. “Além da especialização para os fluxos de trabalho clínico, enfrentamos desafios como tamanho do contexto, expansão do conjunto de dados e experimentação rápida e econômica”, finaliza Igor Couto.