Integrar a Inteligência Artificial é essencial para o sucesso de diversos setores, em especial para os de negócios e saúde. Para profissionais de qualquer nível de experiência com a IA, há um método prático, dividido em quatro pilares, para desenvolver e aprimorar estratégias para a implementação dessa tecnologia. Abrange desde a gestão eficiente de dados até técnicas de liderança e implementação estratégica, oferecendo um roteiro detalhado para utilizar a IA de maneira eficaz no seu campo de atuação.
Pilar 1: domínio dos dados — alimente o motor da Inteligência Artificial
Dados são o novo petróleo, e a IA é o motor que funciona com ele.
A IA prospera com dados, por isso entender o cenário de dados é crucial para qualquer estratégia de IA bem-sucedida. Para profissionais de negócios e saúde, isso significa identificar e utilizar fontes de dados relevantes — seja em interações com clientes, ensaios clínicos, transações financeiras ou registros de pacientes. No entanto, o foco deve estar em dados internos únicos e padronizados que proporcionam uma vantagem competitiva sobre os dados públicos facilmente acessíveis.
Os dados internos oferecem vantagens tanto para negócios quanto para o setor de saúde, primariamente pela sua exclusividade e capacidade de oferecer diferenciação competitiva. No mundo corporativo, detalhes específicos de interações com clientes, preferências de compra e históricos de transações são exemplos de como esses dados únicos podem ser utilizados para insights e estratégias direcionadas.
Na saúde, informações detalhadas dos pacientes, como históricos clínicos e resultados de tratamentos, também permitem o desenvolvimento de cuidados personalizados e mais precisos. Além disso, os dados internos garantem maior controle e segurança, sendo coletados com objetivos específicos, o que frequentemente resulta em dados de maior qualidade e relevância para as necessidades específicas da organização.
Dentro do contesto institucional, por exemplo, a representatividade desses dados internos é interessante no treinamento de algoritmos de aprendizado de máquina para identificar padrões e prever riscos de doenças especificamente na população atendida, possibilitando um cuidado mais personalizado ao público.
O caso do hospital St. Michael em Toronto, Canadá, destaca-se por sua aplicação prática dessa tecnologia. Ao utilizar dados internos para automatizar o agendamento de plantões de enfermeiros, o hospital conseguiu reduzir significativamente o tempo e o esforço necessários para organizar as escalas de trabalho.
Por outro lado, os dados públicos trazem suas próprias vantagens, como acessibilidade, grande escala e diversidade, oferecendo uma visão ampla de mercados ou tendências de saúde pública. São especialmente úteis para análises gerais e compreensão de padrões amplos de comportamento. Além disso, são valiosos para identificação de disparidades na saúde e planejamento de intervenções direcionadas a grupos específicos, como as minorias étnicas, por vezes pouco representadas nos bancos de dados internos.
A combinação inteligente de dados internos e públicos pode ser extremamente benéfica. No setor de saúde, por exemplo, a união desses registros pode aprimorar a compreensão sobre tendências de doenças e auxiliar no desenvolvimento de estratégias preventivas.
No contexto empresarial, essa combinação pode revelar novas oportunidades de negócios e áreas para expansão, integrando percepções detalhadas de clientes com uma compreensão mais ampla do mercado.
Por exemplo, empresas financeiras podem combinar relatórios fiscais públicos com dados de negociação proprietários para descobrir insights únicos de mercado. Da mesma forma, organizações de saúde podem combinar dados de saúde pública com registros de pacientes para melhorar a entrega de cuidados.
Prática:
- Identifique e utilize fontes de dados relevantes.
- Concentre-se em dados internos e padronizados para vantagem competitiva.
- Combine dados públicos e privados para insights exclusivos.
Pilar 2: alfabetização em IA — lidere com conhecimento
Líderes em IA não apenas seguem algoritmos, eles traçam o caminho para eles.
IA não é apenas uma questão tecnológica, é uma questão de liderança. Ganhar uma compreensão robusta das capacidades e limitações da tecnologia é vital para a liderança eficaz na IA em saúde. Engajar-se em oportunidades de aprendizado, como oficinas ou programas de mentoria, pode ser transformador.
Um estudo publicado no Journal of the American Medical Informatics Association, por exemplo, mostrou que um esquema de “mentoria reversa” entre profissionais da saúde e especialistas em tecnologia pode melhorar a compreensão mútua, promover a colaboração interdisciplinar e impulsionar a inovação na área da saúde.
Nessas mentorias, a organização de saúde poderia parear profissionais experientes com jovens versados em IA fomentando uma cultura de aprendizado e inovação. Este passo é sobre fechar a lacuna entre o potencial tecnológico e a visão estratégica, garantindo que os líderes possam guiar efetivamente suas equipes no aproveitamento da IA.
Prática:
- Entenda as capacidades e limitações da IA.
- Engaje-se em oportunidades de aprendizado (oficinas, mentorias).
- Desenvolva uma ponte entre tecnologia e visão estratégica.
Pilar 3: integração estratégica da IA — visualize e execute
Uma estratégia de IA não é apenas sobre tecnologia; é sobre visualizar um futuro e torná-lo realidade.
Agora, é hora de integrar a IA no tecido da sua organização. Isso envolve uma avaliação crítica de como a tecnologia pode aprimorar forças e abordar fraquezas. Considere o papel dela na previsão de resultados, classificação de dados ou destilação de vastas informações em insights acionáveis.
Na saúde, a IA pode prever resultados de pacientes ou auxiliar no diagnóstico. Em um estudo realizado no Reino Unido, por exemplo, pesquisadores treinaram um modelo utilizando uma grande quantidade de imagens de retina, conseguindo bons resultados em diagnóstico de condições oftalmológicas, como retinopatia diabética e glaucoma, e uma variedade de condições sistêmicas, mostrando ser uma boa ferramenta para o diagnóstico precoce de diversas doenças.
Nos negócios, ela poderia otimizar cadeias de suprimentos ou melhorar a experiência do cliente. Trata-se de adequar as aplicações de IA às necessidades específicas e manter-se atualizado sobre as tendências em evolução, regulamentações e considerações éticas.
Nesse sentido, a privacidade dos dados é um aspecto crítico a ser considerado, especialmente quando se trata de informações individuais sensíveis, juntamente à transparência algorítmica e consentimento informado. Um líder deve manter-se atualizado sobre os aspectos de segurança digital, a fim de liderar seu time eficazmente no gerenciamento dos fluxos de informações e dados da empresa.
Prática:
- Avalie como a IA pode fortalecer sucessos e superar fraquezas.
- Considere a IA para previsão, classificação e análise de dados.
- Mantenha-se atualizado sobre tendências e regulamentações.
Pilar 4: domine as Modelos de Linguagem de Grande Escala (LLMs) e automação de processos — inove e otimize
Entender as LLMs e a automação é desvendar o código para a inovação contínua.
No cenário tecnológico acelerado de hoje, os Modelos de Linguagem de Grande Escala (LLMs), como o GPT-4, juntamente com a automação de processos, têm se mostrado ferramentas revolucionárias. Para profissionais dos setores de negócios e saúde, compreender a aplicação prática dos LLMs é essencial para maximizar o potencial da IA em suas atividades diárias e planejamentos estratégicos de longo prazo. Dominar essas tecnologias não só permite acompanhar as rápidas mudanças da inovação, mas também o posiciona como um líder em transformação digital em sua área.
Por exemplo, em negócios, uma empresa pode utilizar o GPT-4 para automatizar e personalizar a comunicação com clientes. Isso inclui a geração de respostas de atendimento ao cliente ou a criação de conteúdo de marketing customizado, baseando-se na análise de dados comportamentais dos consumidores para aumentar o engajamento e as vendas.
De acordo com um relatório do McKinsey Global Institute, a automação tem o potencial de aumentar a produtividade global em até 1,4% ao ano, até 2065, o que equivale a cerca de US$ 1,3 trilhão.
De forma similar, no setor de saúde, um hospital pode empregar LLMs para auxiliar na análise rápida e precisa de registros médicos. Essa aplicação permite aos profissionais de saúde identificarem padrões e recomendar tratamentos mais eficazes, além da redução de erros e aumento da eficácia em processos administrativos, melhorando significativamente a qualidade do atendimento ao paciente.
Por exemplo, o relatório de compensação médica da Medscape em 2023 mostrou que, em média, médicos americanos dedicam 15,5 horas semanais à documentação e tarefas administrativas, o que representa quase um terço do seu tempo de trabalho. Ferramentas de LLMs, como os AI scribes, têm um impacto imediato na redução do tempo gasto com tarefas de documentação, resultando em um aproveitamento mais eficiente da força de trabalho qualificada.
A longo prazo, tal implementação tem o potencial de aumentar a satisfação profissional e reduzir o turnover de profissionais na instituição. Isso se deve ao fato de que a elevada carga burocrática associada ao trabalho médico é um dos principais fatores que contribuem para o burnout e a aposentadoria precoce dos médicos.
Prática:
- Aprenda a Linguagem das LLMs
- Identifique processos que podem ser otimizados com automação.
- Desenvolva um plano estratégico para implementação de LLMs e automação.
- Inclua treinamento de equipe, testes piloto e avaliação contínua.
- Garanta conformidade com regulamentações e medidas mitigadoras.
As LLMs e a automação não são apenas ferramentas; elas são alavancas para uma transformação profunda.
À medida que a IA continua a remodelar a paisagem dos negócios e da saúde, manter-se à frente significa não apenas adotar a tecnologia, mas entendê-la e inovar com ela. Sua jornada com a IA é única, e este guia serve como uma bússola para navegar este terreno dinâmico, garantindo que você aproveite a IA ao seu máximo potencial. O futuro não é sobre competir contra a IA, mas colaborar com ela para alcançar a excelência.
—
Referências:
1. Blumenthal D, Tavenner M. The “meaningful use” regulation for electronic health records. N Engl J Med. 2010;363(6):501-504.
2. Pronovost PJ, Miller MR, Wachter RM. Tracking progress in patient safety: an elusive target. JAMA. 2006;296(6):696-699.
3. Obermeyer Z, Emanuel EJ. Predicting the future – big data, machine learning, and clinical medicine. N Engl J Med. 2016;375(13):1216-1219.
4. A Proactive vs Reactive Approach: How JHAH is Using AI Cognitive Computing Models to Identify Deteriorating Patients Sooner. Disponível em: https://www.jhah.com/en/news-events/news-articles/artificial-intelligence-ai
5. Braveman PA, Kumanyika S, Fielding J, et al. Health disparities and health equity: the issue is justice. Am J Public Health. 2011;101 Suppl 1(Suppl 1):S149-S155.
6. Topaz M, Lai K, Dhopeshwarkar N, et al. Clinicians’ reports in electronic health records versus patients’ concerns in social media: a pilot study of adverse drug reactions of aspirin and atorvastatin. J Am Med Inform Assoc. 2016;23(5):892-900
7. Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380(14):1347-1358
8. Zhou Y, Chia MA, Wagner SK, et al. A foundation model for generalizable disease detection from retinal images. Nature. 2023;622(7981):156-163. doi:10.1038/s41586-023-06555-x
9. Chen H, Chiang RH, Storey VC. Business intelligence and analytics: from big data to big impact. MIS Q. 2012;36(4):1165-1188
10. Mittelstadt BD, Allo P, Taddeo M, Wachter S, Floridi L. The ethics of algorithms: mapping the debate. Big Data Soc. 2016;3(2):2053951716679679
11. Chui M, Manyika J, Miremadi M. Where machines could replace humans—and where they can’t (yet). McKinsey Quarterly. 2017
12. Tierney AA, Gayre G, Hoberman B, et al. Ambient Artificial Intelligence Scribes to Alleviate the Burden of Clinical Documentation. NEJM Catal. 2024;5(3):CAT.23.0404. doi:10.1056/CAT.23.0404
13. Kane L. Medscape Physician Compensation Report 2023 [Internet]. [cited 2024 Feb 27]. Available from: https://www.medscape.com/slideshow/2023-compensation-overview-6016341?icd=login_success_email_match_norm#25
14. Clinician Turnover and the EHR Experience – Arch Report [Internet]. [cited 2024 Feb 27]. Available from: https://klasresearch.com/archcollaborative/report/clinician-turnover-and-the-ehr-experience/418
Fabio Ynoe de Moraes e Fernanda Malucelli Favorito
