Design and Feasibility of a Large Language Model-Based Teaching Pathway for Clinical Pharmacy Practice Competencies

No mundo da saúde, aprender a falar com os pacientes é tão crítico quanto saber qual medicamento prescrever. Para novos farmacêuticos clínicos, o caminho para dominar essas conversas é frequentemente bloqueado por uma realidade simples: não há pacientes reais suficientes disponíveis para a prática, e os especialistas que poderiam orientá-los estão ocupados demais para observar cada interação. Tradicionalmente, as escolas utilizavam "pacientes padronizados" — atores treinados para fingir estar doentes com sintomas específicos — para criar ambientes de prática seguros. Embora eficaz, a contratação desses atores é cara, difícil de agendar e eles só conseguem repetir um roteiro um certo número de vezes antes de ficarem cansados ou inconsistentes.

Para resolver isso, pesquisadores começaram a recorrer à inteligência artificial, especificamente um tipo de programa de computador chamado modelo de linguagem de grande escala. Esses modelos são treinados em vastas quantidades de texto e podem gerar respostas semelhantes às humanas, tornando-se candidatos potenciais para a criação de pacientes virtuais que nunca se cansam. No entanto, as tentativas iniciais de usar essa tecnologia na medicina frequentemente resultaram em conversas rígidas e robóticas que pareciam artificiais ou falhavam em fornecer feedback útil. O desafio tem sido ensinar esses programas de computador não apenas a falar, mas a agir como uma pessoa real com um histórico médico, além de ensiná-los a avaliar o desempenho de um estudante de forma justa.

Uma equipe de pesquisadores do Hospital de Câncer Afiliado da Universidade Médica de Nanjing estabeleceu o objetivo de construir e testar uma nova forma de treinar farmacêuticos usando essa tecnologia. Eles queriam ver se poderiam criar um sistema de ensino virtual que fosse realista o suficiente para ser útil, mas inteligente o suficiente para fornecer feedback preciso sem a necessidade de um professor humano presente. Eles focaram na oncologia, ou cuidados com o câncer, um campo onde o gerenciamento de medicamentos é complexo e erros podem ser perigosos. A equipe criou três cenários específicos envolvendo pacientes com diferentes tipos de câncer e regimes de quimioterapia. Em seguida, convidaram vinte e um estagiários, incluindo farmacêuticos juniores e estudantes de pós-graduação, para praticar suas habilidades ao manter uma conversa com um paciente virtual alimentado por um modelo de inteligência artificial de código aberto.

Os pesquisadores projetaram o sistema com dois objetivos principais: primeiro, fazer com que o paciente virtual soasse e agisse como uma pessoa real e, segundo, fazer com que o computador avaliasse automaticamente o desempenho do estagiário. Para atingir o primeiro objetivo, utilizaram um conjunto estruturado de instruções, conhecido como prompt, que dizia ao computador exatamente como se comportar. O computador foi instruído a manter-se no personagem como um paciente, a responder perguntas naturalmente e a compartilhar detalhes médicos apenas quando perguntado ou quando sentisse que uma pessoa real os forneceria espontaneamente. Para atingir o segundo objetivo, deram ao computador um conjunto separado de instruções para atuar como um examinador, revisando o texto da conversa para verificar se o estagiário fez as perguntas certas e coletou as informações necessárias.

Quando o estudo começou, os resultados foram promissores. Os pacientes virtuais foram notavelmente convincentes. Especialistas que revisaram as conversas avaliaram a capacidade do computador de soar como um humano real de forma muito alta, observando que a fala parecia natural e livre de rigidez robótica. Os estagiários concordaram, relatando que se sentiram confortáveis e menos tensos durante as interações do que poderiam se sentir com um ator humano. Eles apreciaram o fato de o paciente virtual proporcionar um espaço seguro para a prática sem o medo do julgamento, permitindo que se concentrassem inteiramente na conversa. O sistema simulou com sucesso o fluxo de uma ronda hospitalar real, passando da anamnese para o aconselhamento do paciente e resposta às suas perguntas.

O computador também se mostrou capaz de avaliar os estagiários. Quando os pesquisadores compararam as pontuações dadas pela inteligência artificial com as pontuações dadas por um painel de especialistas humanos, encontraram uma concordância muito forte. O computador e os humanos geralmente classificaram os estagiários na mesma ordem, identificando quem teve um bom desempenho e quem precisava de mais prática. No entanto, o estudo também revelou uma falha específica na lógica de avaliação do computador. A inteligência artificial tendia a dar pontuações mais baixas do que os especialistas humanos, uma diferença de cerca de dois pontos e meio em uma escala padrão.

A razão para essa lacuna reside em como o computador interpreta as regras. Em uma conversa real, um paciente pode fornecer informações importantes, como mencionar um efeito colateral que está sentindo, mesmo que o farmacêutico ainda não tenha perguntado sobre isso. Especialistas humanos entendem isso como uma interação bem-sucedida porque o farmacêutico agora possui a informação. O computador, contudo, foi programado para procurar estritamente por uma pergunta específica seguida de uma resposta. Se o paciente fornecesse a informação sem ser questionado, o computador às vezes deduzia pontos, pensando que o farmacêutico falhou ao não fazer a pergunta correta. Isso sugere que, embora o computador seja excelente em seguir regras estritas, ele ainda luta com a natureza sutil e flexível da conversa humana, onde o contexto importa mais do que uma lista de verificação.

Apesar dessa limitação de pontuação, o estudo concluiu que esta abordagem é uma ferramenta poderosa para o treinamento. O sistema ainda não está pronto para substituir professores humanos em exames de alto risco, onde uma única nota determina uma carreira, devido à subestimação consistente. Mas para a prática diária, autoavaliação e construção de confiança, ele oferece uma solução de baixo custo, sempre disponível e altamente eficaz. Os pesquisadores mostraram que, ao usar instruções claras para guiar a inteligência artificial, poderiam criar uma via de ensino que é tanto realista quanto escalável. Isso significa que hospitais e escolas com orçamentos limitados poderiam potencialmente adotar este método para dar aos seus estagiários a prática de que precisam, preenchendo a lacuna entre o aprendizado em sala de aula e o cuidado com o paciente no mundo real. O trabalho sugere que o futuro do treinamento médico pode não depender da contratação de mais atores, mas de ensinar computadores a ouvir e responder com a nuance de um ser humano real.