4 de novembro de 2026 | 11h00 (hora da costa leste dos EUA)
Algumas atividades de investigação clínica têm resistido à automatização por uma razão. Ler um protocolo. Extrair o que é relevante. Tomar uma série de decisões que dependem do contexto e da experiência. Introduzir os dados corretamente num sistema informático. Muitas entradas, muitos resultados e quase nenhuma margem para erros. Essa descrição aplica-se à criação de eSource — e aplica-se a uma dúzia de outros fluxos de trabalho, tanto do lado do centro de investigação como do patrocinador.
Luke Snedaker, CEO da West Clinical Research, e Mike Wenger, Diretor de Inovação da CRIO, contam a história do que foi realmente necessário para tornar a IA fiável face a esse tipo de problema. Essa história inclui a versão inicial que entregou todo o trabalho à IA e produziu uma versão na qual nenhum centro clínico podia confiar. Trata-se também do que se seguiu: a IA tratada como mais uma ferramenta na caixa de ferramentas, a par do código determinístico, integrada num fluxo de trabalho de revisão humana com registos de auditoria e verificações para evitar a aprovação automática. Aborda a parte da discussão sobre IA que normalmente é ignorada: os alicerces de conformidade e segurança subjacentes — acordos empresariais com fornecedores de modelos fundamentais cujos termos proíbem o treino com dados de clientes, e as questões relativas ao tratamento de dados que qualquer centro ou patrocinador deve colocar a um fornecedor antes de qualquer documento de estudo ser carregado.
A lição a reter não é um produto. É um padrão. O objetivo nunca foi um carro autónomo sem ninguém ao volante. Trata-se de um sistema de assistência ao condutor, em que a pessoa mantém o controlo e a tecnologia assume uma parte significativa do trabalho, sem nunca assumir a responsabilidade. Os participantes sairão da sessão com uma forma de avaliar onde a IA se enquadra nos seus próprios fluxos de trabalho de alto risco, onde não se enquadra e o que é necessário desenvolver em torno dela antes de alguém poder confiar no que ela produz.
Principais objetivos de aprendizagem:
- Distinguir as partes de um fluxo de trabalho de investigação clínica que requerem efetivamente a IA das partes que devem permanecer determinísticas e compreender por que razão confiar à IA um problema já resolvido acarreta riscos sem trazer quaisquer benefícios
- Aplicar o padrão de conceção subjacente ao AI eSource Builder — muitas etapas pequenas e avaliadas, em vez de um único prompt extenso, com monitorização em cada fase — a outros fluxos de trabalho com grande volume de documentos e de elevada importância, tanto do lado do centro de ensaios como do patrocinador
- Identifique o que tem de estar em vigor para que os resultados da IA sejam fiáveis num contexto regulamentado. Isto inclui etapas de revisão e aprovação, registos de auditoria e mecanismos de monitorização que detetem os revisores que comecem a aceitar tudo. Compreenda o processo de diligência prévia do fornecedor que está subjacente a tudo isto, incluindo modelos de contratos empresariais e termos de serviço que proíbam a formação com os seus dados, bem como respostas claras sobre o destino dos dados do estudo e quem pode aceder aos mesmos