Em um cenário de crescente escassez de cirurgiões, a inteligência artificial pode ajudar a preencher essa lacuna, orientando estudantes de medicina na prática de técnicas cirúrgicas.

Uma nova ferramenta, treinada com vídeos de cirurgiões experientes em ação, oferece aos alunos conselhos personalizados em tempo real enquanto praticam suturas. Os testes iniciais sugerem que a IA pode ser uma excelente substituta para professores mais experientes.

"Estamos em um momento crucial. A escassez de profissionais está aumentando cada vez mais e precisamos encontrar novas maneiras de oferecer mais e melhores oportunidades de prática. No momento, um cirurgião experiente, que já tem pouco tempo disponível, precisa vir observar os alunos praticando, avaliá-los e fornecer feedback detalhado — isso simplesmente não é escalável", disse o autor sênior Mathias Unberath , especialista em medicina assistida por IA, que se concentra em como as pessoas interagem com a IA. "A melhor alternativa pode ser nossa IA explicável, que mostra aos alunos como seu trabalho diverge do de cirurgiões experientes."

Desenvolvida na Universidade Johns Hopkins, a tecnologia pioneira foi apresentada e premiada na recente Conferência Internacional sobre Computação de Imagens Médicas e Intervenção Assistida por Computador .

Atualmente, muitos estudantes de medicina assistem a vídeos de especialistas realizando cirurgias e tentam imitar o que veem. Existem até modelos de IA que avaliam os alunos, mas, segundo Unberath, eles são insuficientes porque não indicam aos alunos o que estão fazendo certo ou errado.

"Esses modelos podem dizer se você tem um nível de habilidade alto ou baixo, mas têm dificuldade em explicar o porquê", disse ele. "Se quisermos possibilitar um autoaprendizado significativo, precisamos ajudar os alunos a entender no que precisam se concentrar e por quê."

O modelo da equipe incorpora o que é conhecido como "IA explicável", uma abordagem de IA que — neste exemplo — avaliará a eficácia com que um aluno sutura um ferimento e, em seguida, dirá precisamente como melhorar.

A equipe treinou seu modelo rastreando os movimentos das mãos de cirurgiões experientes enquanto fechavam incisões. Quando os alunos tentam a mesma tarefa, a IA envia uma mensagem de texto imediatamente, informando como se compararam a um especialista e como aprimorar sua técnica. "Os alunos querem que alguém lhes diga objetivamente como se saíram", disse a primeira autora, Catalina Gomez, doutoranda em ciência da computação na Johns Hopkins. "Podemos calcular o desempenho deles antes e depois da intervenção e ver se estão se aproximando da prática de um especialista."

A equipe realizou um estudo inédito para verificar se os alunos aprendiam melhor com a IA ou assistindo a vídeos. Eles designaram aleatoriamente 12 estudantes de medicina com experiência em sutura para treinar com um dos dois métodos.

Todos os participantes praticaram o fechamento de uma incisão com pontos. Alguns receberam feedback imediato da IA, enquanto outros tentaram comparar seu desempenho com o de um cirurgião em um vídeo. Em seguida, todos tentaram suturar novamente.

Em comparação com os alunos que assistiram a vídeos, alguns alunos orientados por IA, aqueles com mais experiência, aprenderam muito mais rápido. "Em alguns indivíduos, o feedback da IA tem um grande efeito", disse Unberath. "Os alunos iniciantes ainda tiveram dificuldades com a tarefa, mas para os alunos com uma base sólida em cirurgia, que estão no ponto em que podem incorporar o conselho, o impacto foi enorme."

Em seguida, a equipe planeja aprimorar o modelo para torná-lo mais fácil de usar. Eles esperam, eventualmente, criar uma versão que os alunos possam usar em casa.

"Gostaríamos de oferecer tecnologia de visão computacional e IA que permita que alguém pratique no conforto de sua casa com um kit de sutura e um smartphone", disse Unberath. "Isso nos ajudará a expandir o treinamento na área médica. Trata-se realmente de como podemos usar essa tecnologia para resolver problemas."

Os autores incluem Lalithkumar Seenivasan, Xinrui Zou; Jewoo Yoon; Sirui Chu; Ariel Leong; Patrick Kramer; Yu Chun Ku; José L. Porras; e Masaru Ishii, todos da Johns Hopkins, e Alejandro Martin-Gomez, da Universidade de Arkansas.

Este trabalho foi financiado pela Bolsa DELTA da Johns Hopkins (IO 80061108) e pela Bolsa de Pesquisa em Modelagem, Simulação e Treinamento da Fundação Link.