Towards clinical implementation of artificial intelligence in cancer care: Concept mapping analysis of provincial workshop findings

Este estudo utiliza mapeamento conceitual de um workshop com múltiplos stakeholders para identificar que, na implementação de IA no cuidado oncológico, os benefícios clínicos e ganhos de eficiência são percebidos como mais importantes e viáveis do que os desafios e salvaguardas, fornecendo assim um quadro estruturado para priorizar e sequenciar a adoção dessa tecnologia.

O essencial

O Mapa do Tesouro da Inteligência Artificial no Tratamento do Câncer

Imagine que o tratamento do câncer é como uma orquestra gigante. Há muitos músicos (médicos, enfermeiros, pesquisadores, pacientes) tocando instrumentos diferentes, e todos precisam estar perfeitamente sincronizados para criar uma melodia perfeita de cura. Agora, imagine que a Inteligência Artificial (IA) é um novo instrumento tecnológico, superpoderoso, que promete ajudar a orquestra a tocar mais rápido, mais bonito e sem erros.

Mas, antes de colocar esse novo instrumento na mão de qualquer músico, a equipe precisava responder a uma pergunta crucial: "Como podemos usar essa IA sem estragar a música?"

Foi exatamente isso que este estudo fez. Os pesquisadores reuniram 48 pessoas (pacientes, médicos, cientistas de computador e gestores) em um grande workshop, como se fosse uma sessão de brainstorming gigante, para desenhar um "mapa do tesouro" sobre como implementar essa IA no Canadá.

Aqui está o que eles descobriram, explicado de forma simples:

1. A Técnica do "Mapa de Ideias" (Mapeamento Conceitual)

Em vez de apenas fazer uma lista de "coisas boas" e "coisas ruins", eles usaram uma técnica especial chamada Mapeamento Conceitual.

• A Analogia: Imagine que cada ideia sobre IA é uma pedra. Eles pediram para as pessoas agruparem as pedras que pareciam "irmãs" (que tinham a mesma vibe). Depois, eles usaram um computador para ver quais pedras ficavam mais próximas umas das outras.
• O Resultado: O computador desenhou um mapa visual onde as ideias se agruparam naturalmente em duas grandes ilhas.

2. As Duas Ilhas do Mapa

O mapa revelou duas grandes categorias de pensamentos:

• Ilha 1: "Os Obstáculos e os Guardas de Segurança"

  • Aqui estão as preocupações. As pessoas estavam preocupadas com privacidade de dados, se a IA poderia cometer erros, se os médicos perderiam o contato humano e se as leis estariam prontas.
  • A Metáfora: É como construir uma ponte. Antes de andar, você precisa garantir que o concreto seja forte, que não haja buracos e que haja guardas para proteger os pedestres. É importante, mas é trabalhoso e demorado.

• Ilha 2: "Os Benefícios Clínicos e a Eficiência"

  • Aqui estão as coisas que todos amam: a IA ajudando a escrever relatórios médicos mais rápido, detectando tumores com mais precisão, organizando dados e dando tempo aos médicos para conversarem mais com os pacientes.
  • A Metáfora: É como ter um super-ajudante que carrega as caixas pesadas, organiza a despensa e avisa onde estão os ingredientes. Isso faz a vida do cozinheiro (o médico) muito mais fácil e rápida.

3. O Que as Pessoas Acharam Mais Importante?

O estudo fez uma pergunta interessante: "O que é mais importante e o que é mais fácil de fazer?"

• A Grande Descoberta: As pessoas acharam que a Ilha 2 (os benefícios e a eficiência) era muito mais importante e, ao mesmo tempo, muito mais fácil de implementar do que a Ilha 1 (os problemas e a segurança).
• Por quê? Porque usar a IA para ajudar a escrever um relatório ou organizar uma lista de tarefas é como colocar um novo aplicativo no celular: é rápido e útil. Já criar leis novas, garantir que os dados sejam 100% seguros e mudar a cultura de toda a saúde é como reformar a fundação de um prédio: é essencial, mas leva anos.

4. O Plano de Ação (O "Go-Zone")

Os pesquisadores criaram um gráfico de quatro quadrantes para decidir o que fazer primeiro:

• Quadrante de Ouro (Alta Importância + Alta Facilidade): São as "vitórias rápidas". Exemplo: Usar IA para transcrever consultas ou resumir textos longos. Ação: Fazer isso agora!
• Quadrante de Investimento (Alta Importância + Baixa Facilidade): São as coisas vitais, mas difíceis. Exemplo: Garantir que a IA não seja preconceituosa ou criar novas leis. Ação: Começar a planejar e investir a longo prazo, mas não espere que aconteça amanhã.

5. A Lição Principal

O estudo conclui que não precisamos escolher entre "segurança" e "benefício". Em vez disso, precisamos de uma estratégia em etapas:

1. Comece pequeno e útil: Implemente ferramentas de IA que ajudem os médicos no dia a dia (como organizar papéis ou triagem), pois isso é fácil de aceitar e traz resultados rápidos.
2. Construa a base ao mesmo tempo: Enquanto isso, trabalhe nos "guardas de segurança" (leis, ética, privacidade) para garantir que, quando a IA crescer, ela seja segura para todos.

Resumo Final:
A Inteligência Artificial no tratamento do câncer é como um novo motor para um carro. Todos querem que o carro vá mais rápido (benefícios), mas ninguém quer que o motor exploda (riscos). Este estudo diz: "Vamos começar instalando o motor em partes onde ele ajuda a dirigir melhor (trabalho diário), enquanto nossos engenheiros trabalham na segurança do sistema de freios (governança) para que, no futuro, possamos viajar com total confiança."

É um plano inteligente para garantir que a tecnologia sirva às pessoas, e não o contrário.

Resumo técnico

Título do Estudo

Para a implementação clínica da inteligência artificial no cuidado ao câncer: Análise de mapeamento conceitual de achados de workshops provinciais.

---

1. O Problema

A Inteligência Artificial (IA) tem demonstrado grande potencial para melhorar a qualidade, eficiência e desfechos na saúde. No entanto, a implementação de IA no cuidado ao câncer enfrenta desafios únicos devido à natureza multidisciplinar da oncologia, que envolve alta complexidade de coordenação entre diversas especialidades (oncologia médica, radioterapia, cirurgia, cuidados paliativos, etc.).

Embora existam estudos gerais sobre a aceitação de IA na medicina, há uma escassez de literatura específica que aborde as perspectivas de todas as partes interessadas (stakeholders) — incluindo pacientes, familiares, clínicos, pesquisadores de IA e administradores — sobre a implementação de IA baseada em evidências (EB-AI) especificamente no contexto oncológico. A falta de uma abordagem participativa estruturada dificulta a priorização de estratégias de implementação e a identificação de barreiras versus facilitadores reais.

2. Metodologia

O estudo utilizou uma abordagem mista e participativa baseada no Mapeamento Conceitual (Concept Mapping), um método que integra a geração de ideias qualitativas com análise quantitativa multivariada. O processo seguiu o framework de 6 etapas de Trochim:

• Contexto e Participantes:
  • Um workshop foi realizado no BC Cancer Summit (2024, Vancouver, Canadá) com 48 participantes (pacientes, familiares, pesquisadores de IA/ciência da computação, oncologistas, outros profissionais de saúde, TI e administradores).
  • Um painel de especialistas de 13 membros (purposive sampling) foi recrutado para realizar as etapas de ordenação e classificação (rating) das ideias geradas.
• Geração de Dados:
  • Os participantes do workshop discutiram três perguntas orientadoras: preocupações, benefícios e prioridades para a IA no cuidado ao câncer.
  • Foram geradas 265 declarações iniciais, que após deduplicação e reescrita resultaram em 100 declarações finais.
• Ordenação e Classificação (Rating):
  • O painel de 13 membros agrupou as 100 declarações em pilhas (ordenamento) e as classificou em uma escala Likert de 5 pontos para Importância (1-5) e Viabilidade (1-5).
• Análise de Dados:
  • Escalonamento Multidimensional (MDS): Utilizado para criar uma representação espacial bidimensional das declarações baseada na frequência com que foram agrupadas juntas.
  • Análise de Cluster Hierárquico (Método de Ward): Aplicada sobre as coordenadas do MDS para identificar agrupamentos temáticos (clusters) e subgrupos (subclusters).
  • Análise de Padrões (Pattern Match): Comparação estatística entre as médias de importância e viabilidade.
  • Análise Go-Zone: Mapeamento dos clusters em quatro quadrantes (Alta Importância/Alta Viabilidade, etc.) para priorização estratégica.
  • Análise de Subgrupos: Comparação entre participantes clínicos e não clínicos.

3. Principais Contribuições

• Primeiro Estudo de Mapeamento Conceitual em IA Oncológica: Este é o primeiro estudo a utilizar mapeamento conceitual para examinar as perspectivas de usuários finais sobre a implementação de IA no cuidado ao câncer, indo além de revisões temáticas tradicionais.
• Estrutura Hierárquica de Prioridades: Desenvolveu uma estrutura visual e quantitativa que distingue entre aplicações de IA alinhadas ao fluxo de trabalho clínico e requisitos de governança de nível sistêmico.
• Framework de Implementação Sequencial: Oferece um "blueprint" prático para organizações de saúde, permitindo que elas sequenciem esforços de implementação, priorizando o que é viável a curto prazo enquanto investem em infraestrutura de longo prazo.
• Inclusão Multidisciplinar: Integrou ativamente a visão de pacientes, desenvolvedores de IA e clínicos, garantindo que as prioridades reflitam as necessidades reais do ecossistema oncológico.

4. Resultados

• Geração de Declarações: Das 265 ideias iniciais, 100 foram refinadas para análise.
• Estrutura de Clusters: A análise identificou dois clusters principais:
  1. Cluster 1: "Desafios e Salvaguardas para a Implementação de IA" (62 declarações).
  2. Cluster 2: "Benefícios Clínicos e Ganhos de Eficiência" (38 declarações).
• Subclusters (8 no total):
  • Cluster 1 foi subdividido em: preocupações operacionais imediatas, considerações éticas e de segurança, questões regulatórias e de privacidade, e requisitos de garantia de qualidade.
  • Cluster 2 foi subdividido em: aplicações de pesquisa/conhecimento, melhorias diretas no fluxo de trabalho, aprimoramentos da qualidade clínica e ferramentas de comunicação voltadas ao paciente.
• Avaliação de Importância e Viabilidade:
  • O Cluster 2 (Benefícios) recebeu pontuações significativamente mais altas tanto em importância (M = 3.50, p < .001) quanto em viabilidade (M = 3.62, p < .001) em comparação ao Cluster 1.
  • Não houve diferença significativa nas avaliações de importância entre profissionais clínicos e não clínicos. No entanto, os clínicos avaliaram a viabilidade do Cluster 2 como significativamente maior (p = .029).
• Análise Go-Zone:
  • Quadrante I (Alta Importância/Alta Viabilidade): 36 declarações (36%), representando oportunidades imediatas de implementação (ex: redução de carga administrativa, suporte à documentação, triagem).
  • Quadrante III (Alta Importância/Baixa Viabilidade): 13 declarações (13%), representando prioridades de pesquisa e desenvolvimento de longo prazo (ex: governança de dados, transparência algorítmica, regulamentação).
• Correlação: Houve uma forte correlação positiva (r = 0.829) entre importância e viabilidade nos subclusters, embora a magnitude da lacuna entre os dois variasse.

5. Significado e Conclusões

O estudo conclui que a implementação de IA no cuidado ao câncer não é um processo uniforme, mas sim uma empreitada em camadas.

• Abordagem Faseada: As organizações devem adotar uma estratégia de implementação em fases. A curto prazo, o foco deve ser em ferramentas de IA que se integrem diretamente aos fluxos de trabalho clínicos existentes (ex: suporte à documentação, triagem, comunicação), pois são vistas como importantes e viáveis.
• Investimento de Longo Prazo: Simultaneamente, é necessário investir em infraestrutura de governança, políticas de privacidade, validação de algoritmos e regulamentação, que são percebidos como altamente importantes, mas menos viáveis no momento atual devido à complexidade sistêmica.
• Impacto Prático: Este framework fornece uma base para pesquisadores, formuladores de políticas e implementadores desenvolverem abordagens sensíveis ao contexto para a adoção sustentável e responsável de IA na oncologia, evitando a estagnação causada por barreiras de governança não resolvidas ou falhas na integração clínica.

Em suma, o estudo oferece um mapa estratégico para navegar a complexidade da adoção de IA, equilibrando a agilidade clínica com a necessidade de salvaguardas sistêmicas robustas.