Guillem Alsina Gonzàlez
A informação estruturada é aquela que pode ser representada de forma tabular, em que cada coluna da nossa tabela é um campo ou propriedade, e a informação armazenada em cada linha corresponde a um indivíduo.
Um bom exemplo de informação estruturada é a classificação da liga de futebol: cada linha contém uma série de dados de cada equipa, como o número de jogos disputados, os golos marcados, os golos sofridos, os jogos ganhos, os perdidos e os pontos conquistados, que estão distribuídos pelas diferentes colunas.
Com esses dados, podemos obter estatísticas com grande facilidade, ordenando-os por pontuação obtida, para saber qual equipa foi a mais goleadora, a mais goleada, entre outras.
O problema é que nem sempre temos todos os dados de uma organização neste tipo de formato, uma vez que, ao longo dos anos, acumulamos muita informação desestruturada, por exemplo, em forma de folhas com escritos, que são difíceis de resumir e tabular. E é aqui que a inteligência artificial pode entrar em jogo, ajudando-nos a converter a documentação não estruturada em estruturada, tabulando-a para facilitar a sua análise.
Um bom exemplo do potencial desta tecnologia é apresentado por George Bosnjak, cofundador da startup de IA Morph Services, que, na Hea!thcare Innovation, assina um artigo sobre como converter a abundante documentação não estruturada do setor da saúde em informação estruturada graças à IA para posterior utilização em análises e para gerar estatísticas, ações que, em muitos casos, também passarão pelas mãos da inteligência artificial.
Antecedentes
O campo da saúde tende a dispor de um grande volume de informação não estruturada, uma vez que médicos e enfermeiros preenchem questionários (mesmo os informatizados com uma certa estrutura) com informação importante em campos de texto livres. Esta situação torna-se especialmente evidente com os determinantes sociais da saúde (SDOH, na sigla em inglês), fatores não médicos como o bairro em que o paciente vive, o seu acesso a alimentos ou transporte, o emprego ou a estabilidade da habitação, com forte influência nos resultados da sua saúde.
Embora esses dados possam estar presentes no prontuário eletrónico, muitas vezes aparecem como texto livre não estruturado, dispersos em relatórios de encaminhamento, formulários de admissão ou avaliações de assistência social armazenadas como anexos, o que representa uma barreira estrutural para uma assistência de qualidade, porque a informação existe, mas é invisível para quem deve tomar decisões.
Quando um profissional de saúde não localiza, por exemplo, uma nota sobre insegurança habitacional, esse sinal não pode ser incorporado em planos de cuidados, encaminhamentos para recursos ou modelos de estratificação de riscos. Torna-se, portanto, necessário converter essas informações para que possamos enquadrá-las em algum campo das nossas bases de dados, e a maneira de fazer isso passa pela tecnologia e pela automatização do procedimento, levando, sem dúvida, ao uso da inteligência artificial.
Os últimos avanços em matéria de processamento de linguagem natural (NLP), reconhecimento ótico de carateres (OCR) e modelos de linguagem (LLM) tornam possível digitalizar rapidamente documentos não estruturados e convertê-los em dados normalizados que são integrados no histórico eletrónico do paciente, de modo que o que antes exigia uma revisão manual do histórico, ou equipas dedicadas à introdução de dados, hoje pode ser resolvido em segundos.
Na prática, se uma carta de encaminhamento digitalizada mencionar que um paciente tem dificuldades de transporte, um sistema de IA pode extrair essa informação, codificá-la e destacá-la como um risco SDOH relacionado com a mobilidade.
Ao derrubar silos de dados e dar o passo de “dados presos” para “informações clínicas”, os centros de saúde podem construir uma visão mais completa da pessoa, coordenando melhor entre assistência social, cuidados primários, especialistas e gestão de casos, reduzindo a carga administrativa ao automatizar a extração e o registo.
Essa mudança já é observada em organizações pioneiras como a Watershed Health, que relatam menos diagnósticos omitidos, maior precisão na estratificação de risco e uma melhoria na satisfação do paciente, conforme detalha Bosnjak.
Se, a esta altura, alguém ainda tem dúvidas sobre o uso da IA devido às alucinações que ela pode produzir, vale dizer que esse problema corresponde à IA Generativa, e que as tecnologias de IA utilizadas para converter texto desestruturado em dados estruturados são diferentes da Generativa.
Conclusão
A argumentação de Bosnjak limita-se ao âmbito da saúde, mas a sua principal conclusão pode ser extrapolada para qualquer âmbito profissional; todas as organizações (incluindo as empresas) são suscetíveis de possuir numerosa documentação, tanto de anos atrás como gerada atualmente, que não está estruturada e que a IA pode converter em informação estruturada, analisando-a e tirando conclusões dela.
O que é necessário é decidir quais as informações que precisam de ser analisadas, como é que vale a pena fazê-lo e, finalmente, quais os sistemas a implementar e a que custo.
