No mês passado, a CRIO uniu-se à Clinical Leader para um painel ao vivo intitulado «O Manual de IA para Centros Clínicos: Ferramentas de Fornecedores, Soluções Desenvolvidas Internamente – O que está a funcionar». O debate reuniu operadores de centros de investigação que utilizam ativamente a IA nas suas operações diárias para uma análise sincera do que está realmente a funcionar, moderado por Mike Wenger, Diretor de Inovação da CRIO. Juntaram-se a ele Aneesh Vaze, Diretor-geral da Clinical Research Philadelphia, Sam Stein, CEO da ALSA Research, e Nick Spittal, Diretor de Operações da Velocity Clinical Research.
A sessão suscitou muito mais perguntas do que aquelas a que conseguimos responder em direto, pelo que contactámos os participantes individualmente. Alguns temas surgiram repetidamente, pelo que partilhamos aqui versões resumidas para quem se inscreveu ou assistiu à gravação. Se quiser ver a conversa na íntegra, pode aceder ao webinar sob demanda aqui.
Devemos desenvolver as nossas próprias ferramentas de IA ou comprá-las a um fornecedor?
Esta foi provavelmente a pergunta mais comum do dia e, na verdade, trata-se mais de uma questão do tipo «em que ponto da vossa jornada se encontram» do que de «qual é a melhor opção». O painel descreveu três formas como a IA está a surgir nos centros de ensaios clínicos: fornecedores de plataformas estabelecidos (como a CRIO) a integrar IA nas ferramentas que já utilizam, fornecedores de soluções pontuais que resolvem um problema específico (recrutamento, viabilidade, agendamento) e centros de ensaios clínicos a desenvolverem as suas próprias ferramentas com base nos seus sistemas existentes.
A resposta sincera é que as três opções têm o seu lugar. Se estiver a dar os primeiros passos na sua jornada de IA e ainda não tiver a infraestrutura de dados nem a confiança interna necessária para desenvolver as soluções, recorrer às ferramentas fornecidas pelos fornecedores é o ponto de partida natural e de menor risco. As soluções desenvolvidas internamente tendem a fazer mais sentido quando já se dispõe de dados limpos e acessíveis e de uma equipa que se sinta à vontade para experimentar a IA no dia-a-dia.
Para os locais que ainda funcionam inteiramente em papel e não adotaram o eSource ou o eReg, o caminho realista é mais ou menos este: passar primeiro para um sistema eletrónico de eSource/eReg, implementar uma política básica de governação da IA, atribuir aos colaboradores contas empresariais de LLM para que possam experimentar em segurança, criar pequenas ferramentas internas para resolver os gargalos mais problemáticos e, só então, explorar o acesso aos dados de backend e fluxos de trabalho mais sofisticados. Passar diretamente para a fase de «construir por conta própria» antes de os dados estarem organizados tende a criar mais trabalho do que aquele que poupa.
Como é que se ligam, na prática, as ferramentas de IA aos dados já existentes?
Vários participantes colocaram perguntas do tipo: «Temos uma plataforma eSource; então, como é que conseguimos que a IA funcione com esses dados?» Especificamente para os clientes da CRIO, o acesso ao backend está disponível através do Google BigQuery e do Looker, o que abre as portas a painéis personalizados, previsões financeiras e inteligência empresarial integrados diretamente nos vossos dados operacionais, sem necessidade de exportar ou voltar a introduzir qualquer informação.
Ligar uma plataforma como a Claude a esses dados requer alguma configuração. A principal recomendação do painel: utilize uma conta empresarial em vez de uma licença pessoal, uma vez que as contas empresariais incluem proteções relativas ao treino de dados que são importantes para a conformidade. Se não souber por onde começar, a equipa de apoio ao cliente ou de sucesso do fornecedor da sua plataforma deverá poder orientá-lo ao longo do processo de ligação e em relação a quaisquer permissões necessárias.
Que ferramentas é que as pessoas estão realmente a utilizar para o recrutamento e outras soluções específicas?
No que diz respeito ao recrutamento, vários participantes questionaram sobre as iniciativas de contacto baseadas em IA (chamadas, mensagens de texto e similares) e se alguém tinha integrado diretamente agentes de IA nos dados dos seus doentes. O tema recorrente do painel foi que a maioria dos centros não está a desenvolver IA para recrutamento a partir do zero. Estão a integrar soluções pontuais através dos seus ecossistemas de fornecedores existentes para a aquisição, retenção e pré-seleção de doentes, sobre as quais sobreponham a sua própria análise e acompanhamento.
Quanto aos LLMs que as pessoas utilizam efetivamente no dia-a-dia: o Claude foi o mais mencionado, embora alguns membros do painel também utilizem outros modelos importantes da Frontier, como o Gemini e o NotebookLM, dependendo da tarefa. Não havia uma única plataforma «certa». A lição mais útil foi a forma como as pessoas as estão a utilizar: para tarefas como a elaboração e atualização de currículos de investigadores, uma conta empresarial de LLM, uma descrição clara do processo manual atual e um processo iterativo de interação com a ferramenta — começando com um esboço e aperfeiçoando-o — produziram resultados mais rápidos do que tentar automatizar tudo na perfeição à primeira tentativa. Um ser humano permaneceu envolvido no processo, revendo os resultados ao longo de todo o percurso.
Em que aspetos é que a IA ainda apresenta lacunas?
Ainda nem todos os casos de utilização são adequados, e o painel foi sincero quanto a isso. A IA tende a ter mais dificuldades com informação não estruturada e de elevada variabilidade, como, por exemplo, critérios de inclusão/exclusão ou medicamentos proibidos, em que os detalhes variam de estudo para estudo e não seguem um padrão consistente. Se introduzirmos esse tipo de inconsistência num modelo, é mais provável que obtenhamos interpretações incorretas do que resultados úteis.
O outro padrão assinalado pelo painel: as automatizações que tentam fazer demasiado numa única etapa tendem a ter um desempenho inferior. Quando um único fluxo de trabalho tem de receber muitos tipos diferentes de dados de entrada (documentos, registos de chat, dados do sistema) e produzir muitos tipos diferentes de resultados (e-mails, relatórios, painéis de controlo), é mais difícil confiar nele e mais difícil de corrigir quando algo corre mal. Os casos de utilização mais específicos e com um âmbito bem definido têm-se revelado, em geral, mais fáceis de executar corretamente.
Continua a explorar
Se quiser aprofundar os seus conhecimentos sobre como preparar os dados do seu próprio site para a IA, recomendamos-lhe esta publicação recente no blogue da CRIO. E se estiver a avaliar soluções de recrutamento, eSource ou outras soluções específicas baseadas em IA, a nossa página de Parceiros é um bom local para ver o que já está integrado com a CRIO, incluindo várias das ferramentas mencionadas durante o painel.
Mais uma vez, obrigado a todos os que nos acompanharam em direto e àqueles que estão a ver isto agora. Se tiver alguma pergunta que não tenhamos abordado aqui, não hesite em contactar diretamente o seu gestor de sucesso do cliente da CRIO.