Melhorar a qualidade dos dados é a chave para desbloquear o potencial da IA

Podcast: Reproduza em uma nova janela | Download (Duração: 29:26 – 27,0 MB)

Assine: Podcasts da Apple | Spotify

Neste episódio da nossa série Partner Perspective realizada na conferência ViVE, Charlie Harp, fundador e CEO da Clinical Architecture, explica por que as deficiências de qualidade de dados na área da saúde são a maior ameaça à adoção da IA ​​nos sistemas de saúde. Harp descreve como décadas de dados clínicos coletados como subproduto da prestação de cuidados não requerem aplicações de IA de precisão. Ele compartilha estratégias para criar programas de qualidade de dados que forneçam resultados incrementais e mensuráveis.

A pressa dos cuidados de saúde para implementar a IA enfrenta uma verdade inconveniente: os dados que alimentam estes modelos nunca foram concebidos para o trabalho. Esta é a avaliação categórica de Charlie Harp, fundador e CEO da Arquitetura clínicaempresa especializada em gestão de terminologia em saúde, normalização semântica e qualidade de dados. Falando na conferência ViVE, Harp defendeu que a qualidade dos dados representa o maior obstáculo para a adoção significativa da IA ​​nos sistemas de saúde. “Inteligência artificial baseada em dados ruins é estupidez artificial”, disse ele.

Podcast: Reproduza em uma nova janela | Download (Duração: 29:26 – 27,0 MB)

Assine: Podcasts da Apple | Spotify

O problema é mais profundo do que registros sujos ou campos ausentes. Os dados clínicos coletados por meio de sistemas EHR funcionam bem o suficiente para agendamento, faturamento e fluxos de trabalho operacionais. Mas esses mesmos dados carregam o que Harp chama de “incerteza não calibrada” quando aplicados à IA, ao apoio à decisão clínica ou à análise da saúde da população. Os sistemas de saúde que procuram utilizar IA nos dados dos pacientes estão a encontrar uma incompatibilidade fundamental entre a forma como os dados foram capturados e o que estas novas aplicações exigem. E os riscos são altos: fornecer informações não confiáveis ​​aos modelos de IA não só leva a resultados imprecisos; introduz risco clínico.

Fundada em 2007, a Clinical Architecture nasceu das quase quatro décadas de experiência da Harp na construção de sistemas de software de saúde. Depois de desenvolver aplicações de laboratório hospitalar no SmithKline Beecham Clinical Laboratories, gerenciar sistemas de ensaios clínicos na Covance e trabalhar como CTO no First DataBank e na Zynx Health, ele percebeu uma lacuna persistente: o sistema fundamental de saúde – terminologias, ontologias e qualidade de dados – estava mal atendido. O momento atual parece-lhe diferente porque a inteligência artificial está a forçar os sistemas de saúde a enfrentar problemas de qualidade de dados que antes eram toleráveis. E os benefícios de abordar estas questões vão muito além da IA, abrangendo medidas de qualidade, apoio à decisão clínica e a fiabilidade do próprio registo médico.

Calculando a qualidade dos dados de IA

A tentação para muitas organizações é presumir que a IA por si só resolverá o problema da qualidade dos dados. Harp rejeita categoricamente esta premissa. “Garanto a vocês que a IA não resolverá um problema de qualidade de dados”, disse ele. A razão é que a IA generativa treinada com dados errados produz modelos probabilísticos errados. E quando uma IA recebe centenas de páginas de informações não confiáveis ​​do paciente, nenhum modelo consegue distinguir com segurança o sinal do ruído. Não existe um padrão de referência de bons dados contra os quais a IA possa medir o que recebe.

Existe uma distinção nítida entre problemas adequados para IA e aqueles que requerem soluções determinísticas. Usar IA onde é necessária uma resposta calculada e repetível introduz riscos e incertezas desnecessários. Este princípio aplica-se diretamente a ambientes clínicos onde a verificação de interações medicamentosas ou a validação de resultados laboratoriais devem produzir sempre a mesma resposta.

Nada disso diminui o potencial da IA. Harp vê a IA generativa como uma das ferramentas mais importantes disponíveis para a saúde. O desafio é a disciplina de implantação. Os cuidados de saúde têm um padrão de adopção de tecnologias emergentes no auge da propaganda, implementando-as sem preparação adequada e depois rejeitando-as quando os resultados são decepcionantes. A IA corre o risco de seguir o mesmo ciclo se os sistemas de saúde falharem o trabalho essencial de garantir que os dados que alimentam estes modelos são precisos, completos e adequados à finalidade.

Medindo as coisas importantes

Para resolver sistematicamente o problema, Harp criou o Quadro de Melhoria da Qualidade da Informação do Paciente (PIQI), uma iniciativa de código aberto que está agora a progredir através do processo de votação HL7. O PIQI fornece um método padronizado para avaliar a qualidade dos dados dos pacientes antes que eles entrem no ambiente de uma organização. Os sistemas de saúde já realizam milhares de verificações de qualidade de integridade referencial nos seus próprios sistemas; A PIQI estende esse controle aos dados que chegam de fontes externas via TEFCA, parceiros comerciais ou plataformas de agregação de dados como Snowflake e Databricks. A estrutura também oferece às organizações uma maneira estruturada de comunicar deficiências de qualidade específicas à organização remetente, criando um ciclo de feedback que impulsiona melhorias em ambos os lados da troca.

O PIQI aborda uma lacuna na infraestrutura de troca de dados de saúde. O FHIR e outros padrões de interoperabilidade definem como os dados são estruturados e transmitidos. Nada dizem sobre a qualidade da informação transportada nestas estruturas. À medida que a partilha de dados acelera no âmbito da TEFCA e os sistemas de saúde empurram cada vez mais dados clínicos para ambientes de agregação para análise e IA, a capacidade de avaliar os dados recebidos em relação a determinados critérios de qualidade torna-se essencial.

A governança desempenha um papel crítico na manutenção da qualidade dos dados ao longo do tempo. Harp destaca um erro comum que ele vê em grandes sistemas de saúde: designar pessoal de TI para realizar mapeamento de terminologia clínica. O trabalho requer experiência no assunto clínico; o cientista da computação entende as diferenças semânticas que determinam se um mapeamento é preciso ou enganoso. Da mesma forma, o gerenciamento de dicionários de medicamentos, laboratórios e produtos encomendados exige práticas disciplinadas de dicionário. Sem processos padronizados para adição e manutenção de registros, os sistemas acumulam duplicatas e inconsistências que se agravam com o tempo e prejudicam todos os casos de uso posteriores.

Harp aponta o trabalho da Clinical Architecture com o HCA como um exemplo de como é o investimento sustentável na qualidade de dados. O objetivo é a liquidez dos dados: garantir que quando uma organização precisar usar seus dados para uma nova finalidade, eles estejam prontos imediatamente. Num ambiente de sistema de saúde onde diariamente emergências tácticas inviabilizam projectos de longo prazo, este estado de preparação é essencial.

Vitória das bordas

Os desafios mais difíceis para a qualidade dos dados são organizacionais. O conselho de Harp aos CIOs, Chief Data Officers e Chief AI Officers baseia-se em dois princípios. A primeira é o respeito pelas realidades operacionais da linha da frente. “A saúde se desenvolve a partir das bordas, não do centro”, disse ele. Os mandatos de cima para baixo de uma função centralizada raramente estão à altura da sua experiência porque não conseguem ter em conta as circunstâncias exigentes que os funcionários enfrentam diariamente. Em 37 anos de trabalho em TI de saúde, Harp nunca viu uma abordagem puramente centralizada produzir resultados duradouros. Garantir a adesão requer o reconhecimento da experiência da linha de frente e a construção de parcerias com as equipes mais próximas dos dados.

O segundo princípio é resistir ao impulso de resolver tudo de uma vez. Grandes iniciativas de qualidade de dados falham quando as organizações tentam implementar programas abrangentes de remediação que duram meses ou anos. Estes projetos perdem impulso, permanecem desfasados ​​dos requisitos operacionais e proporcionam pouco valor visível. A alternativa é iniciar projetos de escopo pequeno para alcançar resultados mensuráveis ​​em 90 dias. A Arquitetura Clínica costuma fazer uma pergunta simples aos clientes em potencial ao iniciar um contrato: qual problema podemos resolver em três meses e do qual seu pessoal verá um benefício imediato?

A abordagem funciona porque as vitórias iniciais criam impulso organizacional. Depois que as equipes veem resultados mensuráveis ​​de dados mais limpos, elas mesmas pressionam por investimentos contínuos.

Leve embora

• Os dados de saúde coletados para faturamento e operações não atendem aos requisitos de aplicações de IA de qualidade; colmatar esta lacuna também beneficia o apoio à decisão e medidas de qualidade
• A IA não corrigirá problemas de qualidade de dados; entradas erradas produzem saídas erradas, independentemente do modelo
• Avalie a qualidade dos dados recebidos antes que eles entrem no seu ambiente usando uma avaliação padronizada, como a estrutura PIQI
• Nomeação de informáticos clínicos para mapeamento terminológico e gestão de vocabulário; focar a TI na infraestrutura técnica
• Visar a liquidez dos dados para que novos casos de uso não exijam meses de ajustes
• Comece com projetos de qualidade de dados de 90 dias que forneçam resultados visíveis; ganhos iniciais criam impulso para investimentos maiores
• Respeitar as realidades operacionais da periferia da sua organização; mandatos centralizados sem envolvimento na linha de frente irão parar

O potencial é enorme, argumenta Harp, mas apenas para organizações dispostas a lançar as bases. “A IA tem muito potencial”, disse ele. “Só temos que usá-lo corretamente. Temos que alimentá-lo com os dados certos e então ele terá um enorme potencial.”