Meta relata dez estudos observacionais de saúde feitos com modelos Muse
A Meta diz que médicos usaram modelos Muse para conduzir e redigir dez estudos observacionais com dados dos Estados Unidos, e que o maior ganho foi encerrar projetos mais cedo.
Pontos principais
- O sistema utilizou os modelos Muse Spark 1.3 e Muse Wonder.
- Os estudos usaram dados de cerca de 4,9 milhões de pacientes dos EUA, em prontuários eletrônicos e claims de seguro-saúde.
- Cada manuscrito, do primeiro prompt ao texto final, levou menos de duas semanas, alguns sete dias.
- Alguns projetos foram redirecionados ou interrompidos porque o modelo apontou perguntas já respondidas ou desalinhamentos entre pergunta e dados.
- O pesquisador Paddy Ssentongo foi responsável pela autoria de três dos dez trabalhos.
- Em alguns casos o modelo errou com confiança, como ao afirmar que uma variável não existia no banco quando existia.
- Especialistas médicos mantêm a decisão final sobre as conclusões científicas.
A Meta apresentou um sprint de pesquisa em saúde em que cardiologistas, epidemiologistas, infectologistas e internistas usaram modelos da empresa para ir de uma hipótese a um manuscrito, em cerca de quatro semanas de trabalho. Os temas dos dez estudos vão de infectologia a oncologia, endocrinologia e saúde bucal.
Segundo os pesquisadores, o ganho mais claro não foi a redação mais rápida, e sim parar cedo: perguntas já respondidas ou sem dados adequados saíram do caminho, e as horas que seriam gastas nelas foram para os projetos que sobraram. A ferramenta é forte em redação, extração e código, mas não é confiável para julgar se uma fonte existe, se um campo mede o que deveria ou se a própria resposta está correta, por isso cada etapa teve revisão humana.
Os pesquisadores também afirmam que os estudos são retrospectivos, não estabelecem causalidade e que a evidência observacional aproxima, mas não substitui, ensaios clínicos randomizados. A responsabilidade pelas conclusões, dizem, ficou sempre com o médico, e a Meta apresenta o método como uma boa prática candidata, não como padrão definitivo.
Fontes primárias
Accelerating Scientific Research in Health Data Science With Muse Models
Meta construiu um sistema de pesquisa em saúde liderado por humanos, com Muse Spark 1.3 e Muse Wonder, acessando um banco retrospectivo licenciado de 5 milhões de prontuários eletrônicos desidentificados e dados públicos. Uma coorte de pesquisadores médicas (cardiologia, epidemiologia, doenças infecciosas, medicina interna) conduziu pesquisas originais em quatro semanas e escreveu os manuscritos com o modelo. Dez manuscritos foram publicados, em infectologia, medicina do esporte, medicina de emergência, oncologia, endocrinologia e saúde bucal. Cada artigo passou por feedback de pares da coorte, revisão de um bioestatístico e revisores independentes contratados. Segundo os especialistas, do primeiro prompt ao manuscrito levou menos de duas semanas, alguns em sete dias, com ganho de produtividade de até dez vezes nos melhores casos. Meta afirma que os especialistas mantiveram a responsabilidade pelas decisões científicas e que o estudo se limita a análises retrospectivas.
Observational research with Muse models: What models accelerate and where expertise still matters
Equipe de médicos-cientistas, bioestatísticos e desenvolvedores de IA usou modelos Muse por várias semanas para levar ideias de pesquisa até o manuscrito. Cada estudo passou por pelo menos duas rodadas de revisão interna por pares, mais revisão bioestatística e revisão de todo o código e análises. Dez estudos observacionais saíram do sprint, com dados de cerca de 4,9 milhões de pacientes em prontuários e claims dos EUA e de fontes públicas (NEISS, Google Trends, Wikipedia, GDELT). O relatório diz que o maior ganho não foi redação mais rápida, e sim encerrar mais cedo: o modelo sinalizou perguntas já respondidas na literatura e desalinhamentos entre pergunta e dados, e vários projetos foram redirecionados ou interrompidos. Os autores descrevem o sistema como assistente de pesquisa de alto volume e confiabilidade irregular: forte em redação, extração e código, e pouco confiável para julgar se uma fonte existe, se um campo mede o construto pretendido e se a própria saída está correta. Segundo o texto, o julgamento humano foi o fator decisivo para a qualidade.
Cobertura da mídia
@_jasonwei: In our health workstream at Meta we did a project where we wanted to see what research papers medical experts could write using a Muse Wonder coding scaffold that could access a da…
x.com • 14 out, 15:52
@AIatMeta: We’re exploring how AI can accelerate health science research.
x.com • 14 out, 15:44
Comentários
Carregando comentários...
