Por Arkmeds<\/p>\n\n\n\n
A intelig\u00eancia artificial pode apoiar a engenharia cl\u00ednica na organiza\u00e7\u00e3o de informa\u00e7\u00f5es e na identifica\u00e7\u00e3o de pontos que merecem aten\u00e7\u00e3o. Para que esse apoio seja \u00fatil, a equipe precisa saber de onde v\u00eam os dados, qual tarefa a ferramenta executa e quem revisa o resultado. Comece por um problema concreto, como melhorar a consulta ao hist\u00f3rico ou apoiar o preenchimento de registros. Defina como o resultado ser\u00e1 avaliado.<\/p>\n\n\n\n
Na apresenta\u00e7\u00e3o do Mark II, a Arkmeds descreve aplica\u00e7\u00f5es de IA para apoio \u00e0 an\u00e1lise de dados, sugest\u00f5es de preenchimento e alertas de inconsist\u00eancia. Essas fun\u00e7\u00f5es pertencem ao tratamento das informa\u00e7\u00f5es no software. As medi\u00e7\u00f5es s\u00e3o realizadas pelos instrumentos utilizados no servi\u00e7o. Conhe\u00e7a a proposta de integra\u00e7\u00e3o do Mark II<\/a>.<\/p>\n\n\n\n Descreva a tarefa em termos simples. O que entra no sistema? O que ele deve produzir? Quem recebe a resposta? Qual evid\u00eancia permite decidir se ela foi \u00fatil?<\/p>\n\n\n\n Uma tarefa delimitada facilita essa avalia\u00e7\u00e3o. Por exemplo, uma equipe pode querer que uma sugest\u00e3o de texto preserve as informa\u00e7\u00f5es de uma ordem de servi\u00e7o e ajude a apontar lacunas para revis\u00e3o. Nesse caso, o crit\u00e9rio de sucesso inclui fidelidade aos fatos e clareza sobre o que ainda falta.<\/p>\n\n\n\n Um texto sugerido deve ser conferido por quem compreende o servi\u00e7o e pode verificar as informa\u00e7\u00f5es na origem. Uma resposta fluente pode conter uma interpreta\u00e7\u00e3o inadequada ou um fato ausente do registro.<\/p>\n\n\n\n Dados incompletos ou amb\u00edguos dificultam qualquer an\u00e1lise posterior. Para preparar a base, comece por problemas que a pr\u00f3pria equipe consegue reconhecer: ativos duplicados, descri\u00e7\u00f5es gen\u00e9ricas, datas inconsistentes, campos sem unidade e servi\u00e7os encerrados sem explicar o que foi feito.<\/p>\n\n\n\n Como revis\u00e3o inicial, observe se os registros permitem responder:<\/p>\n\n\n\n Essas perguntas servem para avaliar a informa\u00e7\u00e3o dispon\u00edvel, n\u00e3o para transformar toda ordem de servi\u00e7o em um texto longo. Uma descri\u00e7\u00e3o objetiva e verific\u00e1vel pode ser mais \u00fatil que v\u00e1rios par\u00e1grafos sem contexto. O tamanho do texto, isoladamente, n\u00e3o mede sua qualidade.<\/p>\n\n\n\n Na revis\u00e3o de uma solu\u00e7\u00e3o, vale distinguir tr\u00eas origens de informa\u00e7\u00e3o. H\u00e1 valores obtidos por instrumentos, campos preenchidos por uma integra\u00e7\u00e3o e conte\u00fado sugerido por IA. Cada origem pede uma forma de confer\u00eancia.<\/p>\n\n\n\n Para um valor medido, a equipe precisa preservar sua associa\u00e7\u00e3o com o instrumento, o ativo e o procedimento. Para um preenchimento automatizado, deve confirmar se o dado foi colocado no campo e no servi\u00e7o corretos. Para uma sugest\u00e3o de IA, precisa verificar se o conte\u00fado corresponde \u00e0s evid\u00eancias dispon\u00edveis e se a interpreta\u00e7\u00e3o \u00e9 adequada.<\/p>\n\n\n\n Identificar a origem de uma informa\u00e7\u00e3o incorreta ajuda a investigar a diverg\u00eancia e corrigir o processo que a produziu.<\/p>\n\n\n\n Um estudo publicado em 2023 avaliou um problema concreto da gera\u00e7\u00e3o de texto: refer\u00eancias bibliogr\u00e1ficas inventadas. Os pesquisadores solicitaram revis\u00f5es sobre 42 temas a GPT-3.5 e GPT-4, na primeira semana de abril daquele ano, e verificaram 636 refer\u00eancias presentes em 84 textos. Nessa amostra, 55% das refer\u00eancias do GPT-3.5 e 18% das do GPT-4 n\u00e3o correspondiam a trabalhos reais. A checagem buscou distinguir uma obra inexistente de erros em informa\u00e7\u00f5es de uma publica\u00e7\u00e3o verdadeira. Leia Walters e Wilder, na Scientific Reports<\/a>.<\/p>\n\n\n\n Esses percentuais pertencem \u00e0 tarefa, \u00e0s vers\u00f5es e ao per\u00edodo estudados. N\u00e3o medem erros de IA em manuten\u00e7\u00e3o hospitalar, n\u00e3o descrevem os recursos da Arkmeds e n\u00e3o podem ser transferidos para modelos atuais. O aprendizado relevante para documenta\u00e7\u00e3o t\u00e9cnica \u00e9 mais delimitado: a apar\u00eancia de uma refer\u00eancia n\u00e3o confirma sua exist\u00eancia ou adequa\u00e7\u00e3o. Quando uma sugest\u00e3o mencionar norma, manual, procedimento ou toler\u00e2ncia, confira a fonte original e sua aplicabilidade antes de incorporar a informa\u00e7\u00e3o ao registro.<\/p>\n\n\n\n O perfil de riscos de IA generativa publicado pelo NIST em 2024 trata explicitamente da gera\u00e7\u00e3o de conte\u00fado falso apresentado com confian\u00e7a. Recomenda verificar fontes e cita\u00e7\u00f5es, documentar a proced\u00eancia dos dados e avaliar capacidades com m\u00e9todos emp\u00edricos, evitando extrapola\u00e7\u00f5es a partir de exemplos estreitos. \u00c9 uma orienta\u00e7\u00e3o volunt\u00e1ria e multissetorial de gest\u00e3o de riscos, n\u00e3o uma certifica\u00e7\u00e3o de sistemas de engenharia cl\u00ednica. Consulte o NIST AI 600-1<\/a>.<\/p>\n\n\n\n Para aplicar esses princ\u00edpios \u00e0 ordem de servi\u00e7o, teste a ferramenta com casos cuja informa\u00e7\u00e3o original esteja dispon\u00edvel e preserve a distin\u00e7\u00e3o entre transcri\u00e7\u00e3o e interpreta\u00e7\u00e3o. Avalie omiss\u00f5es de pend\u00eancias, fatos acrescentados sem evid\u00eancia, troca de unidades e associa\u00e7\u00e3o ao ativo errado. Registre quais sugest\u00f5es foram aceitas, corrigidas ou rejeitadas, al\u00e9m do tempo de revis\u00e3o. Esse conjunto permite verificar se a ferramenta \u00e9 \u00fatil no fluxo real, em vez de considerar flu\u00eancia ou velocidade de gera\u00e7\u00e3o como sin\u00f4nimos de qualidade.<\/p>\n\n\n\n Defina um respons\u00e1vel pela avalia\u00e7\u00e3o das sugest\u00f5es e um caminho para tratar inconsist\u00eancias. A revis\u00e3o deve poder rejeitar uma resposta, pedir mais contexto ou devolver o registro para complementa\u00e7\u00e3o.<\/p>\n\n\n\n Comece com poucos servi\u00e7os e compare a sa\u00edda da ferramenta com as informa\u00e7\u00f5es originais. Registre problemas encontrados, como omiss\u00e3o de uma pend\u00eancia, altera\u00e7\u00e3o do sentido de uma observa\u00e7\u00e3o ou inclus\u00e3o de um fato n\u00e3o documentado.<\/p>\n\n\n\n Avalie tamb\u00e9m se a revis\u00e3o cabe na rotina da equipe. Uma sugest\u00e3o que exige muitas corre\u00e7\u00f5es pode precisar de ajustes no caso de uso, na entrada de dados ou na forma de apresenta\u00e7\u00e3o. Mantenha a responsabilidade t\u00e9cnica e as decis\u00f5es sobre os equipamentos dentro do processo institucional aplic\u00e1vel.<\/p>\n\n\n\n Escolha indicadores coerentes com a tarefa. Para apoio \u00e0 documenta\u00e7\u00e3o, \u00e9 poss\u00edvel acompanhar registros devolvidos para complemento, sugest\u00f5es corrigidas ou rejeitadas e tempo gasto na revis\u00e3o. Defina o que cada indicador significa antes de comparar per\u00edodos.<\/p>\n\n\n\n Mudan\u00e7as no volume ou na complexidade dos atendimentos podem afetar os resultados. Descreva o contexto e os limites de qualquer ganho observado, sem transformar uma experi\u00eancia localizada em promessa para todas as opera\u00e7\u00f5es.<\/p>\n\n\n\nComece por uma tarefa que possa ser revisada<\/h2>\n\n\n\n
A qualidade come\u00e7a no cadastro e na ordem de servi\u00e7o<\/h2>\n\n\n\n
\n
Separe medi\u00e7\u00e3o, automa\u00e7\u00e3o e sugest\u00e3o<\/h2>\n\n\n\n
Por que uma refer\u00eancia convincente tamb\u00e9m precisa ser conferida<\/h2>\n\n\n\n
Defina quem revisa e o que acontece com diverg\u00eancias<\/h2>\n\n\n\n
Me\u00e7a utilidade com crit\u00e9rios definidos<\/h2>\n\n\n\n
V\u00eddeo sobre dados e intelig\u00eancia artificial<\/h2>\n\n\n\n