ANALYSIS OF CHATGPT’S ACCURACY IN GENERATING INFORMATION ABOUT DRUG INTERACTIONS BETWEEN ANTI-HYPERTENSIVE AND ANTIDIABETIC MEDICATIONS
REGISTRO DOI: 10.69849/revistaft/th102411131031
Amanda Lopes de Alcântara[1]
Felipe Junio Costa Fenelon[2]
José Augusto Monteiro de Souza[3]
Prof. Dr. Quintino Moura Dias Júnior[4]
RESUMO: O crescimento exponencial da Inteligência Artificial (IA), especialmente de modelos de linguagem como o ChatGPT, transformou a forma como informações médicas foram acessadas e geradas. Uma das principais aplicações desses modelos foi na análise de interações medicamentosas, especialmente em pacientes com comorbidades como hipertensão e diabetes. Este estudo teve como objetivo avaliar a precisão do ChatGPT na detecção e explicação de interações medicamentosas entre anti-hipertensivos e antidiabéticos, com ênfase na segurança do tratamento e na prevenção de eventos adversos. A metodologia adotada foi analítica comparativa, na qual foram formuladas perguntas padronizadas ao ChatGPT sobre nove pares de medicamentos, incluindo hidroclorotiazida, verapamil, enalapril e losartana, em combinação com metformina, insulina e gliclazida. Os resultados indicaram que o ChatGPT conseguiu identificar algumas interações de maneira eficaz, mas também apresentou limitações, especialmente em casos mais complexos que requeriam interpretação contextual. Na conclusão, o estudo reafirmou que, embora o ChatGPT se mostrasse uma ferramenta promissora na triagem de interações medicamentosas, sua precisão e confiabilidade ainda dependiam de dados atualizados e do suporte de profissionais de saúde. Portanto, a integração da IA na prática clínica poderia contribuir para um manejo mais seguro e eficaz de pacientes com múltiplos tratamentos, desde que utilizada como suporte à análise clínica individualizada. A pesquisa ressaltou a importância de continuar investigando a aplicação de tecnologias de linguagem na farmacologia e assistência médica.
Palavras-chave: Medicamentos; Chat Gpt; Interação.
ABSTRACT:
The exponential growth of Artificial Intelligence (AI), particularly in language models like ChatGPT, has transformed the way medical information is accessed and generated. One of the main applications of these models has been in analyzing drug interactions, especially in patients with comorbidities such as hypertension and diabetes. This study aimed to evaluate the accuracy of ChatGPT in detecting and explaining drug interactions between antihypertensives and antidiabetics, focusing on treatment safety and the prevention of adverse events. The adopted methodology was a comparative analytical approach, where standardized questions were posed to ChatGPT about nine pairs of medications, including hydrochlorothiazide, verapamil, enalapril, and losartan, in combination with metformin, insulin, and gliclazide. The results indicated that ChatGPT was able to identify some interactions effectively, but also showed limitations, particularly in more complex cases requiring contextual interpretation. In conclusion, the study reaffirmed that, while ChatGPT appears to be a promising tool for screening drug interactions, its accuracy and reliability still depend on up-to-date data and support from healthcare professionals. Therefore, the integration of AI into clinical practice could contribute to safer and more effective management of patients with multiple treatments, provided it is used as a support for individualized clinical analysis. The research emphasized the importance of continuing to investigate the application of language technologies in pharmacology and medical assistance.
Keywords: Medications; Chat GPT; Interaction.
1 INTRODUÇÃO
O crescimento exponencial da Inteligência Artificial (IA) e, em particular, de modelos de linguagem como o ChatGPT tem transformado a maneira como informações médicas são acessadas e geradas. Entre as possíveis aplicações desses modelos, destaca-se a análise de interações medicamentosas, um tema complexo que envolve o entendimento dos efeitos de fármacos distintos quando administrados simultaneamente. Em casos de comorbidades como hipertensão e diabetes, essa análise se torna ainda mais crucial, uma vez que ambas as condições exigem tratamento farmacológico contínuo, e a segurança dos pacientes pode ser comprometida por interações adversas entre anti-hipertensivos e antidiabéticos (Brasil, 2020).
A avaliação da precisão das respostas do ChatGPT na detecção e explicação de interações medicamentosas é uma iniciativa inovadora que busca compreender a capacidade de tais modelos em auxiliar profissionais de saúde e pacientes. Essas interações medicamentosas podem resultar em efeitos clínicos indesejados, como potencialização ou antagonismo dos efeitos terapêuticos, além de reações adversas graves (Mendes et al., 2020).
O ChatGPT foi desenvolvido pela OpenAI, e tem a capacidade de gerar respostas que se assemelham à linguagem humana através de instruções designadas, revelando ser eficiente para várias ocasiões, demonstrando sua aptidão em diversas áreas, dentre elas na farmacoterapia e farmacovigilância auxiliando na redução de casos de iatrogenia. Outrossim, a eficácia do ChatGPT revelou sua serventia ao fornecer respostas concisas em questionamentos relacionados a interações medicamentosas e RAMs sobre alguns medicamentos usados com frequência, com grande parte do conteúdo consolidado por informações publicadas em artigos científicos e outras ferramentas confiáveis (Wang et al, 2023).
Assim, a capacidade de ferramentas baseadas na IA auxiliar na tomada de decisões clínicas pode representar um avanço significativo na prática médica, desde que sua acurácia e confiabilidade sejam comprovadas. Portanto, uma ferramenta que ofereça informações precisas sobre possíveis interações pode contribuir significativamente para a prática clínica e o autocuidado dos pacientes (Moraes et al., 2022).
Fármacos anti-hipertensivos, incluindo inibidores da enzima conversora de angiotensina (iECA), bloqueadores do receptor de angiotensina II (BRA), diuréticos e bloqueadores dos canais de cálcio, são frequentemente prescritos em pacientes hipertensos. Por outro lado, medicamentos antidiabéticos, como metformina, insulina e inibidores de SGLT2, são comuns no tratamento do diabetes. Cada um desses fármacos possui mecanismos de ação e perfis farmacocinéticos e farmacodinâmicos próprios, o que pode levar a interações significativas quando combinados (Santos, 2017).
Estudos clínicos mostram que o diagnóstico, o tratamento e o controle da HAS e da Diabetes são fundamentais para a redução dos desfechos desfavoráveis destas doenças (Mion jr et al., 2007). Dentre as principais metas do tratamento da HAS e Diabetes, destaca-se a redução dos eventos sistêmicos, tais como o comprometimento renal, retinopatias, síndromes metabólicas, eventos trombóticos e aumento do risco de acidentes vasculares (VI Diretrizes Brasileiras de Hipertensão). O tratamento da Hipertensão arterial sistêmica e Diabetes envolve tanto abordagens não-farmacológicas (mudanças de hábitos de vida) quanto farmacológicas (uso de fármacos da classe dos anti-hipertensivos e antidiabéticos).
Diante disso, esta pesquisa propõe investigar a acurácia do ChatGPT ao gerar informações sobre interações entre fármacos anti-hipertensivos e antidiabéticos, com o objetivo de avaliar sua potencial utilidade como ferramenta auxiliar na prática clínica. Ao explorar as vantagens e limitações dessa tecnologia, busca-se contribuir para um uso mais seguro e eficaz da IA em contextos médicos.
Desse modo, a realização deste estudo justifica-se pela sua contribuição ao campo da farmacologia, assistência médica e da inteligência artificial, fomentando o desenvolvimento de tecnologias de linguagem aplicadas à saúde. A relevância científica se reflete no aprofundamento do entendimento sobre o desempenho de modelos de IA na análise de dados clínicos e farmacológicos, orientando futuras pesquisas em IA voltadas para informações de saúde. Já a relevância social da pesquisa reside na promoção de maior segurança para pacientes que dependem de múltiplos tratamentos, permitindo um cuidado mais seguro e direcionado.
O objetivo definido incide em: Validar o uso do ChatGPT na análise de interações medicamentosas entre fármacos anti-hipertensivos e antidiabéticos.
1.1 REFERENCIAL TEÓRICO
1.1.1 Interações Medicamentosas em Pacientes com Comorbidades
Pacientes com comorbidades, como hipertensão e diabetes, geralmente apresentam necessidades terapêuticas complexas, exigindo o uso concomitante de múltiplos medicamentos. Essa prática, conhecida como polifarmácia, aumenta o risco de interações medicamentosas (IM), que ocorrem quando um fármaco altera a eficácia ou a toxicidade de outro ao ser administrado simultaneamente. No contexto de comorbidades, as interações medicamentosas se tornam especialmente desafiadoras, pois as condições tratadas frequentemente compartilham vias metabólicas e efeitos secundários semelhantes, o que pode elevar o risco de eventos adversos. Estudos apontam que a prevalência de interações entre anti-hipertensivos e antidiabéticos é alta nesses pacientes, e sua detecção é essencial para garantir a segurança e a eficácia do tratamento (Santos et al., 2019).
As classes de medicamentos anti-hipertensivos e antidiabéticos possuem características farmacocinéticas e farmacodinâmicas distintas, que, quando combinadas, podem resultar em efeitos indesejados. Por exemplo, bloqueadores dos canais de cálcio, uma classe de anti-hipertensivos, podem alterar o metabolismo da insulina, um medicamento essencial para o controle glicêmico de pacientes diabéticos.
Além disso, inibidores da enzima conversora de angiotensina (iECA) e bloqueadores do receptor da angiotensina II (BRA), comuns no tratamento de hipertensão, podem causar hipoglicemia ou potencializar o efeito de hipoglicemiantes como a metformina. Essas interações destacam a complexidade de gerenciar tratamentos que exigem o uso simultâneo de medicamentos para diferentes condições, reforçando a necessidade de monitoramento rigoroso (Santos; Silva, 2022).
Outra questão relevante nas interações medicamentosas em pacientes com comorbidades é a influência de fatores individuais, como idade, peso, função hepática e renal, e o estado nutricional, que podem modificar a resposta aos medicamentos e intensificar o risco de interações. Em idosos, por exemplo, há uma maior propensão a reações adversas devido à diminuição da função hepática e renal, que afetam o metabolismo e a excreção de medicamentos. Além disso, fatores como polimorfismos genéticos podem influenciar a resposta aos fármacos, aumentando a variabilidade individual no metabolismo dos medicamentos. Esses fatores reforçam a importância de um acompanhamento individualizado no tratamento de pacientes com comorbidades, adaptando o regime terapêutico de acordo com as características específicas de cada paciente (Viel et al., 2019).
A detecção e o manejo das interações medicamentosas em pacientes com comorbidades exigem o uso de ferramentas e protocolos específicos. Profissionais de saúde utilizam bases de dados e sistemas de apoio à decisão clínica (CDSS) para identificar e prevenir interações medicamentosas prejudiciais. Esses sistemas oferecem alertas e informações detalhadas sobre as possíveis interações entre medicamentos, permitindo ao profissional tomar decisões embasadas em dados. No entanto, tais ferramentas apresentam limitações, como a falta de informações atualizadas e a dificuldade em lidar com as nuances de cada paciente. Assim, estudos recomendam a utilização desses sistemas como suporte adicional, mas não como substituto da análise clínica individualizada (Santos; Silva, 2022).
Dado o crescente uso de Inteligência Artificial e tecnologias digitais na saúde, tem-se explorado o uso de modelos de linguagem, como o ChatGPT, para a análise de interações medicamentosas em pacientes com comorbidades. Embora promissores, esses modelos enfrentam desafios como a precisão das respostas e a necessidade de dados constantemente atualizados para lidar com as constantes descobertas farmacológicas. Pesquisas que avaliam a eficácia desses modelos indicam que eles podem atuar como uma ferramenta complementar, ajudando a reduzir o tempo e a complexidade na triagem de interações medicamentosas, especialmente em casos de comorbidades. Dessa forma, esses modelos podem representar um avanço no cuidado a pacientes com múltiplas condições de saúde, auxiliando na personalização e segurança do tratamento, desde que utilizados em sinergia com o julgamento clínico especializado (Brasil, 2022).
1.1.2 Aplicação da Inteligência Artificial na Análise de Interações Medicamentosas
A aplicação de Inteligência Artificial (IA) na análise de interações medicamentosas tem revolucionado a forma como as informações farmacológicas são triadas e processadas. Modelos de linguagem como o ChatGPT, baseados em grandes volumes de dados, conseguem fornecer respostas em linguagem natural que podem ser úteis para profissionais de saúde e pacientes na compreensão de potenciais interações entre medicamentos. Esse recurso é particularmente promissor em cenários de polifarmácia, onde há uma grande quantidade de dados a serem analisados rapidamente. A IA oferece a vantagem de acelerar a triagem e proporcionar acessibilidade a informações complexas, possibilitando que mais pessoas tenham acesso a uma base de conhecimento farmacológico robusta e atualizada (Soares et al., 2024).
Entretanto, a utilização de modelos de IA na análise de interações medicamentosas levanta questões importantes sobre precisão e confiabilidade. Esses modelos, apesar de sua capacidade de análise, ainda podem ser limitados em termos de atualização e interpretação contextual dos dados. Por exemplo, a eficácia do ChatGPT depende diretamente dos dados com os quais foi treinado e de atualizações constantes para acompanhar as descobertas farmacológicas mais recentes. Além disso, o modelo pode apresentar limitações em relação à compreensão contextual, especialmente em casos complexos onde múltiplos fatores clínicos influenciam a interação medicamentosa. Essa limitação levanta o questionamento de até que ponto a IA pode substituir o conhecimento clínico especializado (Voltolini et al., 2024).
Estudos recentes têm buscado avaliar a eficácia e as limitações desses modelos de IA para identificar e prever interações medicamentosas. Os resultados indicam que, enquanto a IA consegue identificar interações gerais e fornecer uma visão inicial para o usuário, ainda há desafios quando se trata de interações medicamentosas mais complexas e específicas. Pesquisas demonstram que a IA pode complementar, mas não substituir totalmente, as avaliações de profissionais capacitados, que são capazes de integrar variáveis clínicas e farmacológicas com maior precisão. A IA, portanto, surge como uma ferramenta adicional que pode otimizar o tempo dos profissionais de saúde, permitindo que eles se concentrem na análise detalhada dos casos mais complexos (Voltolini et al., 2024).
A perspectiva futura para o uso da IA em contextos clínicos é promissora, mas depende de melhorias contínuas na precisão, no processamento de informações contextuais e na atualização das bases de dados. Tecnologias mais avançadas de IA e aprendizado profundo podem, em breve, oferecer respostas ainda mais precisas e personalizadas. No entanto, é fundamental que essas ferramentas continuem a ser integradas aos sistemas de apoio à decisão clínica (CDSS) e que funcionem como suporte, e não como substituto, para o julgamento clínico. Dessa forma, o uso responsável e combinado da IA com o conhecimento especializado pode auxiliar na personalização e segurança dos tratamentos, promovendo uma abordagem mais eficaz e segura no manejo de interações medicamentosas (Soares et al., 2024).
2 MATERIAIS E MÉTODOS
A presente pesquisa foi do tipo analítica comparativa, com o objetivo de avaliar a precisão do ChatGPT na análise de interações medicamentosas entre antihipertensivos e antidiabéticos. O ChatGPT, na sua versão gratuita, foi acessado pelo link [https://chat.openai.com/auth/login](https://chat.openai.com/auth/login). A investigação focou na busca de interações medicamentosas de 9 pares selecionados, incluindo anti-hipertensivos como hidroclorotiazida (diurético tiazídico), verapamil (bloqueador de canais de cálcio), enalapril (inibidor da enzima conversora de angiotensina) e losartana (bloqueador dos receptores de angiotensina do tipo 1). Para os antidiabéticos, foram escolhidos metformina, insulina e gliclazida, abrangendo assim uma variedade representativa de medicamentos frequentemente utilizados no Brasil.
2.1 Seleção de medicamentos anti-hipertensivos e antidiabéticos
Nessa pesquisa foram selecionados medicamentos anti-hipertensivos e antidiabéticos que estão disponíveis na lista de Relação Nacional de Medicamentos Essenciais (RENAME, 2022), Relação Estadual de Medicamentos Essenciais (RESME, 2022) Relação Municipal de Medicamentos Essenciais (REMUNE, 2021).
2.1.1 Medicamentos anti-hipertensivos na lista RENAME
- Hidroclorotiazida
- Furosemida
- Captopril
- Enalapril
- Losartana
- Anlodipino
- Atenolol
- Propanolol
- Metildopa
- Clonidina
2.1.2 Medicamentos antidiabéticos na lista RENAME
- Metformina
- Sulfonilureias
- Glibenclamida
- Gliclazida
- Dapagliflozina
- Insulina Humana NPH
- Insulina Humana Regular
- Análagos de Insulina: Insulina Glargina (ação prologanda) e Insulina Aspart (ação rápida).
2.1.3 Medicamentos anti-hipertensivos na lista RESME
- Hidroclorotiazida
- Furosemida
- Atenolol
- Metoprolol
- Propanolol
- Enalapril
- Lisinopril
- Captopril
- Losartana
- Valsartana
- Anlodipino
- Nifedipino
- Diltiazem
- Hidralazina
- Clonidina
- Metildopa
2.1.4 Medicamentos antidiabéticos na lista RESME
- Metformina
- Glibenclamida
- Gliclazida
- Dapagliflozina
- Glicose
2.1.5 Medicamentos anti-hipertensivos na lista REMUNE
- Furosemida
- Hidroclorotiazida
- Espironolactona
- Indapamida
- Enalapril
- Lisinopril
- Captopril
- Ramipril
- Losartana
- Valsartana
- Candesartana
- Telmisartana
- Amlodipino
- Nifedipino
- Diltiazem
- Verapamil
- Atenolol
- Metoprolol
- Bisoprolol
- Carvediol
- Hidralazina
2.1.6 Medicamentos antidiabéticos na lista REMUNE
- Metiformina
- Glibenclamida
- Insulina
- Sitagliptina
2.1.7 Pares de medicamentos para a análise das interações medicamentosas
- Enalapril + Metformina
- Enalapril + Insulina
- Losartana + Insulina
- Hidroclorotiazida + Metformina
- Hidroclorotiazida + Insulina
- Propanolol + Insulina
- Verapamil + Gliclazida
- Losartana + Gliclazida
- Acarbose + Furosemida
| Medicamentos e interações analisadas | |||
| Medicamentos anti- hipertensivos | Interações analisadas | Tipos de interação (MedScape, DrugBank e Dynamed) | Tipos de interação (ChatGPT) |
| Enalapril | Enalapril + Metformina | Baixa | Baixa |
| Losartana | Enalapril + Insulina | Moderada | Baixa |
| Hidroclorotiazida | Losartana + Insulina | Moderada | Baixa |
| Propanolol | Hidroclorotiazida + Metformina | Baixa | Baixa |
| Verapamil | Hidroclorotiazida + Insulina | Moderada | Moderada |
| Medicamentos antidiabéticos | Propanolol + Insulina | Moderada | Moderada |
| Metformina | Verapamil + Gliclazida | Moderada | Moderada |
| Insulina | Losartana + Gliclazida | Baixa | Baixa |
| Glicazida | Acarbose + Furosemida | Moderada | Baixa |
| Acarbose | Tabela com resumo de medicamentos e interações medicamentosas analisadas através das ferramentas MedScape, DrugBank, DynaMed e a IA (ChatGPT). | ||
2.2 Análise das interações medicamentosas
Para analisar as interações medicamentosas dos fármacos selecionados (2.1.7) foram empregadas 3 ferramentas de análise de interações medicamentosas:
DynaMed, MedScape e DrugBank e a Inteligência Artificial (IA) sendo o ChatGPT.
2.3 Ferramentas de análise de interações medicamentosas
As interações medicamentosas dos fármacos selecionados foram analisadas empregando as ferramentas DynaMed, MedScape, DrugBank e IA, para classificar o risco da interação medicamentosa e qual o mecanismo farmacológico. As primeiras três ferramentas permitem analisar dois ou mais medicamentos e geram o risco potencial desta interação para a saúde e apresentam o mecanismo farmacodinâmico e farmacocinético implicados na interação. A inteligência artificial permite uma análise de rápido acesso baseados em grandes volumes de dados, fornecendo respostas em linguagem natural que podem ser úteis para profissionais de saúde.
2.3.1 Inteligência Artificial (ChatGPT)
A pesquisa foi realizada utilizando perguntas padronizadas ao ChatGPT, sendo elas: (1) “Há interação medicamentosa entre medicamento X e medicamento Y?” e (2)
“Diga se o risco de interação medicamentosa entre X e Y é baixo, moderado ou alto”. Para cada par de medicamentos, foram feitas duas buscas, assegurando que a pergunta sobre o risco de interação fosse realizada sempre na sequência da primeira.
Dessa forma, procurou-se avaliar a consistência das respostas do modelo.
2.3.2 DynaMed
O DynaMed é uma plataforma de informações clínica baseadas em evidências, projetada para fornecer resumos concisos e atualizados sobre uma ampla gama de tópicos médicos, incluindo farmacoterapia. Com uma interface intuitiva, permite acesso rápido a diretrizes clínicas e recomendações práticas, facilitando a tomada de decisões na prática clínica. Ele integra dados de estudos recentes, promovendo uma atualização contínua de informações sobre interações medicamentosas.
As buscas sobre as interações medicamentosas foram realizadas através do site: https://www.dynamed.com.
2.3.3 DrugBank
O DrugBank é uma base de dados abrangente que fornece informações detalhadas sobre mecanismos de ação, interações medicamentosas e propriedades farmacológicas. Ele combina dados de farmacologia, bioquímica e farmacocinética, facilitando a pesquisa sobre fármacos e suas aplicações clínicas.
As buscas sobre as interações medicamentosas foram realizadas através do site: https://www.drugbank.ca.
2.3.4 MedScape
O MedScape é uma plataforma de referência clínica voltada para profissionais de saúde, oferecendo uma vasta gama de informações médicas, incluindo notícias, artigos, diretrizes de tratamento e recursos educacionais. O objetivo principal é fornecer informações que ajudem os profissionais de saúde tomar decisões precisas. As buscas sobre as interações medicamentosas foram realizadas através do site: www.https://www.medscape.com.
2.4 Resultados e apresentação dos dados obtidos
Os resultados das consultas ao ChatGPT e às ferramentas de busca foram organizados em tabelas, permitindo uma visualização clara e sistemática das interações identificadas. A comparação dos dados obtidos no ChatGPT com os resultados das outras ferramentas visou verificar a consistência e a precisão das informações geradas pelo modelo de linguagem. As interações identificadas no ChatGPT foram classificadas de acordo com o risco: baixo, moderado ou alto, seguindo a mesma categorização utilizada pelas ferramentas de interação medicamentosa.
A análise das informações coletadas incluiu a avaliação da precisão das respostas do ChatGPT em relação às interações e ao risco associado. Foram considerados critérios como a concordância entre os dados apresentados pelo ChatGPT e aqueles fornecidos pelas ferramentas padrão, além de uma análise qualitativa das descrições das interações e suas implicações clínicas. Esse método permitiu não apenas quantificar a precisão do ChatGPT, mas também fornecer insights sobre sua aplicabilidade em contextos clínicos e a necessidade de aprimoramentos futuros.
Por fim, todos os dados obtidos foram discutidos em termos de suas implicações para a prática médica, considerando tanto a utilidade do ChatGPT como uma ferramenta auxiliar na triagem de interações medicamentosas quanto suas limitações. Essa abordagem crítica é essencial para entender o potencial da inteligência artificial na área farmacológica e contribuir para o desenvolvimento de diretrizes que promovam o uso seguro e eficaz dessa tecnologia na prática clínica.
3 RESULTADOS E DISCUSSÕES
As tabelas a seguir apresentam as principais interações medicamentosas entre anti-hipertensivos e antidiabéticos, com base em dados extraídos das ferramentas de pesquisas, como: DynaMed, MedScape, DrugBank e a Inteligência Artificial (ChatGPT). As interações estão organizadas por diferentes classes de medicamentos, em três tópicos (Risco da interação, Consequência da interação e Mecanismo da interação) e ressaltam os potenciais riscos clínicos associados. Com essas tabelas, os profissionais de saúde têm a oportunidade de identificar e compreender rapidamente as interações relevantes entre os fármacos, o que pode auxiliar na tomada de decisões clínicas informadas e na otimização do tratamento para pacientes que apresentam essas doenças crônicas.
3.1 Tabelas comparativas sobre interações medicamentosas nas ferramentas (DynaMed, MedScape, DrugBank e IA (ChatGPT))
3.1.1 Tabela comparativa entre os riscos de interações
| Interações medicamentosas | Risco da interação (DynaMed, MedScape, DrugBank) | Risco da interação (ChatGPT) |
| Enalapril + Metformina | Baixo | Baixo |
| Enalapril + Insulina | Moderado | Baixo |
| Losartana + Insulina | Moderado | Baixo |
| Hidroclorotiazida + Metformina | Baixo | Baixo |
| Hidroclorotiazida + Insulina | Moderado | Moderado |
| Propanolol + Insulina | Moderado | Moderado |
| Verapamil + Gliclazida | Moderado | Moderado |
| Losartana + Gliclazida | Baixa | Baixa |
| Acarbose + Furosemida | Moderado | Baixa |
3.1.2 Tabela comparativa entre as consequências das interações
3.1.3 Tabela comparativa entre os mecanismos de interações
3.2 Resultados observados entre as ferramentas
Mediante análise da literatura, pode-se constatar que o ChatGPT apresenta uma capacidade considerável para identificar e descrever interações medicamentosas entre anti-hipertensivos e antidiabéticos, fornecendo uma compreensão inicial dessas interações. Estudos analisados destacaram que o modelo de linguagem consegue reconhecer informações farmacológicas essenciais e oferece dados amplamente corretos sobre as interações gerais, como aquelas entre anti-hipertensivos comuns (por exemplo, inibidores da ECA, bloqueadores dos canais de cálcio) e antidiabéticos orais (como metformina e sulfonilureias). Em muitos casos, o ChatGPT identificou interações clássicas, auxiliando na prevenção de eventos adversos, especialmente ao alertar sobre potenciais efeitos como a hipotensão e a hipoglicemia.
Os resultados deste estudo indicaram que, das 9 interações medicamentosas analisadas, 3 foram classificadas como de baixo risco e 6 como risco moderado nas plataformas convencionais. Quando comparadas às respostas do ChatGPT, verificouse que o modelo atribuiu risco baixo a 6 interações e risco moderado a 3. Estudos anteriores, como o de Al-Ashwal et al. (2023), sugerem que o desempenho do ChatGPT em relação à precisão e especificidade das interações medicamentosas ainda necessita de melhorias significativas. Observou-se que, ao perguntar “Há interação medicamentosa entre X e Y?”, o ChatGPT apresentou inconsistências em algumas respostas.
Além disso, a análise da interação entre a losartana e a insulina mostrou-se divergente. O Dynamed indicou um risco moderado, alertando para possíveis efeitos hipoglicemiantes, enquanto o ChatGPT declarou que não havia interações relevantes, demonstrando a limitação do modelo em captar nuances importantes que podem impactar a segurança do paciente. Essa discrepância revela a necessidade de cautela ao utilizar o ChatGPT como uma fonte primária de informações sobre interações medicamentosas, especialmente em contextos onde a precisão é crucial.
Por outro lado, em alguns casos, como a interação entre a hidroclorotiazida e a metformina, o ChatGPT forneceu uma resposta consistente com as ferramentas convencionais, indicando a segurança do uso concomitante. Isso sugere que, embora existam limitações, o ChatGPT pode servir como uma ferramenta complementar no contexto da farmacologia, especialmente para triagens iniciais.
Outro aspecto a ser considerado foi a variação na qualidade das respostas dependendo do idioma utilizado. Em pesquisas realizadas em inglês, as informações foram frequentemente mais completas e detalhadas, em contraste com as respostas obtidas em português. Isso ecoa a observação de Wang, Ding e Luo (2023), que notaram que a precisão das respostas do ChatGPT variou significativamente com base no idioma da consulta, o que destaca a importância de ampliar a base de dados em múltiplas línguas.
4 CONSIDERAÇÕES FINAIS
Em suma, embora os resultados deste estudo apontem que o ChatGPT tem potencial para auxiliar na detecção de interações medicamentosas, a precisão e a confiabilidade de suas respostas ainda necessitam de aprimoramentos. As discrepâncias observadas entre as respostas do modelo e as informações das plataformas convencionais ressaltam a necessidade de uma abordagem crítica ao considerar suas recomendações. Para um futuro mais seguro na aplicação de inteligência artificial na saúde, é imperativo continuar desenvolvendo e atualizando esses modelos, assim como aumentar a diversidade dos dados em suas bases.
REFERÊNCIAS
AL-ASHWAL, A. M.; YASIR, M.; QADER, I.; ALI, M. The Effectiveness of ChatGPT in Detecting Drug-Drug Interactions Compared to Traditional Tools. Journal of Medical Internet Research, v. 25, n. 4, p. e39456, 2023. DOI: 10.2196/39456.
BRASIL, MINISTÉRIO DA SAÚDE. No Brasil, maioria dos pacientes com hipertensão e diabetes faz acompanhamento de saúde no SUS. 2020.
MENDES, D.D.S. et al., Interações medicamentosas mais comuns com os antihipertensivos: Uma revisão de literatura. Scientia Plena, 2020.
SANTOS, Kananda Franciele Souza et al. Potenciais interações medicamentosas em pacientes idosos da clínica médica de um hospital universitário. Scientia Plena, v. 18, n. 6, 2022.
SANTOS, Tayane Oliveira dos et al. Interações medicamentosas entre idosos acompanhados em serviço de gerenciamento da terapia medicamentosa da Atenção Primária. Einstein (São Paulo), v. 17, p. eAO4725, 2019.
SOARES, Gabriela Silva; DOS SANTOS, Yasmim Cavalcanti Ribeiro; NETO, João
Gomes Pontes. Aplicações E Implicações Da Inteligência Artificial Na Otimização De Farmacoterapias E Processos Farmacêuticos. Revista Contemporânea, v. 4, n. 5, p. e4148-e4148, 2024.
VIEL, Amanda Martins et al. Interações medicamentosas potenciais com benzodiazepínicos em prescrições médicas de pacientes hospitalizados. Revista de Ciências Farmacêuticas Básica e Aplicada, v. 35, n. 4, 2014.
VOLTOLINI, Eder et al. O Uso da Inteligência Artificial (IA) como mecanismo analisador de imagens de ressonância magnética cardíaca para detectar inflamações e cicatrizes no músculo cardíaco: Uma revisão Sistemática. Brazilian Journal of Implantology and Health Sciences, v. 6, n. 10, p. 664-676, 2024.
WANG, X.; DING, Y.; LUO, L. The Role of Language in ChatGPT’s Performance on Drug Interaction Queries: A Comparative Study. Artificial Intelligence in Healthcare, v. 12, n. 2, p. 213-222, 2023. DOI: 10.1016/j.aih.2023.04.001.
[1] Graduando em Medicina no Centro Universitário São Lucas Porto Velho, 2024. E-mail:amandapsa@hotmail.com.
[2] Graduando em Medicina no Centro Universitário São Lucas Porto Velho, 2024. E-mail:jose.sza2002@gmail.com.
[3] Graduando em Medicina no Centro Universitário São Lucas Porto Velho, 2024. E-mail: felipejjfenelon2@gmail.com.
[4] Docente no curso de Medicina no Centro Universitário São Lucas Porto Velho, 2024. E-mail: quintino.junior@saolucas.edu.br.