Dr. Felipe Kitamura

Eu saí um pouco da sua pergunta, né? A sua pergunta foi mais o problema da cauda longa e dataset desbalanceados. Isso continua existindo, mas uma reflexão sobre essa sua pergunta que eu queria trazer é, mesmo esse problema existindo, já tem diversos exemplos, inclusive eu peguei uma no pronto-socorro semana passada, já tem diversos exemplos que chega um paciente com uma apresentação clínica muito diferente, estranha, que você pensa em uma doença ou outra, mas você fica meio perdido,

Que doença deve ser essa? Você joga no chat GPT a descrição. Claro, se você é um bom médico, tem que saber conversar com o paciente, colher a história, fazer as perguntas certas, extrair as informações corretas. Você coloca isso no GPT, o GPT te dá uma lista de hipóteses que não é que você vai acreditar nelas, mas pelo menos ele te fez pensar naquelas hipóteses. E pensando nelas, você vai investigar, faz mais perguntas para o paciente e você acaba chegando num diagnóstico. Por exemplo, teve uma situação de um paciente que eu não conseguiria chegar no diagnóstico sozinho, por mim mesmo.

e que o GPT me elencou três hipóteses, uma delas era a hipótese correta, que era o diagnóstico de botulismo, que é uma condição relativamente rara. Então, eu só queria mostrar que, apesar desse problema do desbalanceamento, dependendo da forma que você usa a ferramenta, ela ainda assim pode ser extremamente benéfica.

Existe isso. A gente, especificamente lá na Unifesp, a gente começou com esse movimento trazendo inicialmente para a residência de radiologia. Então, a gente tirou um dos estágios, que é sobre um tema que é

Menos relevante hoje no dia a dia do radiologista, a gente dividiu, pegou metade do tempo desse estágio e colocou gestão, inteligência artificial e inovação para os residentes. A gente criou um fellow para essa área também. Isso foi há seis, sete anos atrás. E durante a graduação, na grade de radiologia, a gente também traz o tema de inteligência artificial. Mas ainda é uma abordagem tímida, é pouco.

em relação ao que deveria ser, dado o que existe hoje de disponibilidade de ferramentas de IA. E eu fiquei feliz de ficar sabendo recentemente de que houve uma reformulação do currículo médico do nosso país, e essa reformulação inclui assuntos mais recentes de tecnologia, como telemedicina e inteligência artificial, inclusive. Então eu imagino que a gente vai ter um avanço nos próximos anos e meses, nesse sentido.

que é o Felipe Moraes, cara bem bacana. E atualmente eu trabalho...

dando direcionamento médico e ajudando a guiar várias decisões que dependem de conhecimento especificamente médico. Mas um dos projetos que eu estou atuando é o do Foundation Model, que é de a gente criar esse modelo enorme, inicialmente para radiologia, mas depois também usando dados de prontuário eletrônico, de forma que a gente tenha uma facilidade maior de criação de novos modelos.

A ideia é exatamente o que a OpenAI fez com o Chat EPT. Você tem um Condition Model que ficou muito bom para aquela área, você disponibiliza isso para todo mundo via API, que é o que a gente pretende fazer também. Mas a gente também quer ter uma interface gráfica, uma GUI para o usuário poder interagir pela página web sem ter que chamar a API. Isso também vai te possibilitar fazer fine tuning desse modelo de forma fácil também.

Então, em tese, se você tiver poucos casos anotados, você poderia subir nessa plataforma, fazer fine tuning, anotar lá, fazer seu fine tuning e criar um modelo específico para aquele caso de uso específico. E depois chamar essa API. Então, a ideia é criar algo para o mundo. É tipo o que a OpenAI fez.

E a forma de usar isso é o produto principal da Bunker Hill hoje, que é o Care Bricks, que nada mais é do que você pensar que o modelo de ar, ele é muito importante? Ele é. Ele vai te permitir identificar coisas que antes você não identificava? Perfeito. É isso que ele faz. Só que uma vez que você identificou doenças ou condições nos pacientes, você faz o que com isso?

Você concorda que o paciente não vai automaticamente ser tratado pelo fato de você ter feito inferência no MEA no exame dele? Então, o que o CareBricks faz é justamente conseguir juntar, criar fluxos e pipelines de fazer revisão do prontuário e tomar uma ação a partir disso.

Essa ação pode ser o que você imaginar, pode ser mandar uma informação de volta para o prontuário, pode ser agendar uma consulta, agendar um exame, mandar uma carta para o paciente, carta física. Eu descobri isso, existe API para carta física, não sei se vocês já viram isso. Você chama a API, depois de alguns dias chega a carta no paciente com os parâmetros que você passou na API.

Então, da forma que você quiser, você consegue tomar uma ação. E você pode criar isso para qualquer doença. Então, eu vou te dar um exemplo aqui. A gente tem um algoritmo aprovado pelo FDA que, na tomografia de tórax convencional, que a princípio não daria para ver isso, você consegue medir o score de cálcio coronariano, quanto a artéria coronária está entupida.

Então, imagina, um monte de gente faz tomografia por tosse, por qualquer outra coisa, e a informação está lá se essa pessoa tem um risco alto de infarto, e a gente não faz nada. E aí, o que o Carebricks faz? Ele roda esse modelo, identifica todo mundo que tem score de cálcio alto, aí depois ele também consegue puxar do prontuário quais desses pacientes que têm score de cálcio alto, quais já consultam com o cardiologista, quais já tomam o remédio que precisa, quais já foram tratados, e eu tiro essas pessoas da lista porque elas já foram tratadas, na verdade,

E aí eu posso focar num subgrupo de pacientes que não sabiam que tem a doença e que provavelmente poderiam morrer de um infarto nos próximos meses ou anos. E aí a gente conseguiu chamar esse paciente de volta para o hospital, tratar esse paciente e evitar esse desfecho. Esse é um exemplo de fluxo que você pode criar lá e deixar rodando no piloto automático. Ele notifica os pacientes ou os médicos. E aí você pode ir criando outros ali dentro. Essa é a ideia do CareBricks.

Ele está em produção já? Está em produção. Está sendo usado por alguns hospitais. Inclusive, semana passada, a gente ficou super feliz porque a Cleveland Clinic fechou um contrato grande com a gente para usar o CareBricks. E a gente tem outros hospitais, tipo a UTMB, lá no Texas, University of Texas Medical Branch, que fechou um contrato ainda maior. Está com 15 casos de uso diferentes. É uma plataforma bem genérica. Você pode resolver qualquer problema ali dentro. E eles já estão com 15 casos de uso. A gente ficou bem feliz com esse momento recente.

Bom ponto esse. A princípio, a gente fecha para o sistema de saúde como um todo. Eles têm sistemas de saúde grandes lá que envolvem vários hospitais numa determinada região. Então, é geralmente assim que a gente funciona. E lá tem uma certa vantagem em relação ao Brasil, que é existe um player que domina muito o mercado lá, que é o Epic, tem um market share grande, e esse player desenvolveu uma maneira de você consultar informações de um paciente se o outro hospital tem Epic também.

Porque imagina aqui, imagina hoje aqui, você vai no hospital A aqui no Brasil, e aí depois você passa no hospital B no ano seguinte, depois no hospital C. Quando você chega no hospital D, ele não consegue pegar os seus dados do prontuário dos outros hospitais. E lá nos Estados Unidos, se todo mundo for EPIC, você pode dar permissão, como é EPIC em todos, você dá permissão, ele consegue puxar o seu dado dos outros hospitais e você tem a informação mais completa. Então isso também ajuda nesse processo, que é uma diferença aqui do Brasil.

E como é que, dentro do que você puder falar, como é que funciona essa aquisição de dados? Porque me parece que vocês tinham um banco massivo de imagens, né? Perfeito. A gente está com um banco de dados que continua crescendo. Inclusive, esse é um dos meus trabalhos lá. Trabalho fácil, tranquilo. É chegar para um hospital e falar assim, compartilha com a gente seu Pax inteiro. E um detalhe, eu não vou pagar nada por isso. E eu vou te cobrar depois.