A explosão da nave espacial em 1970 levou a NASA desenvolver abordagem para prever possíveis falhas em espaçonaves, que dependia de dados contínuos de sensores e alimentavam simulações digitais permitindo testes rigorosos de sistemas espaciais, quer dizer, primeiro uso da tecnologia "gêmeo digital", daí, hoje são usados para melhorar operações e simular mudanças em um sistema em que empresas de tecnologia como Apple e Tesla utilizam para monitorar desempenho e determinar se componentes específicos do sistema exigem manutenção. Na área da saúde, gêmeos digitais são usados em pesquisa e desenvolvimento de medicamentos, sendo que o maior potencial no entanto, está no gerenciamento de doenças crônicas ao unir aprendizado de máquina, ML, e tecnologia IoT, Internet das Coisas, com IA de gêmeos digitais, abordagem que se originou de modo tão vasto quanto a exploração espacial com potencial de tornar a saúde verdadeiramente individualizada já que a medicina moderna fez movimentos em direção ao cuidado personalizado na última década dando voz ao paciente na tomada de decisões e, em direção à medicina de precisão através de avanços na pesquisa genômica, ambos, adaptando cuidado ao indivíduo considerando que na maior parte o sistema de saúde adota abordagem de “grande grupo” à prestação de cuidados. Atualmente cada um dos 133 milhões de norte americanos que vivem com doença(s) crônica(s) é colocado em trilha de cuidados planejados, regime de tratamento, dieta da moda, medicamentos e a melhora é mensurada em lotes de indivíduos que compartilham condição semelhante, tal abordagem acarretou crescentes gastos em diabetes, doenças cardíacas e câncer enquanto o impacto tecnológico sobre resultados e custos tem sido limitado e, na gestão digital de diabetes, perda de peso e outras condições, esse impacto é fator não relevante. Relatório do Instituto Peterson de Tecnologia em Saúde sublinha falta de resultados sustentados ao descobrir as soluções avaliadas com desempenho ruim no engajamento e resultados ao longo do tempo, daí, perda de peso, redução, eliminação de medicamentos, reversão do diabetes e benefícios de saúde, bem-estar e econômicos dessas soluções são limitados e insustentáveis porque a maioria das soluções apenas digitaliza modelo ineficaz ao cuidado, não consideram diferenças individuais em que o paciente traz no conjunto de fatores culturais, biológicos, alimentares, comportamentais e ambientais que influenciam a saúde em nível individual.
IA do gêmeo digital pretende afastamento do modelo em que o núcleo da tecnologia se refere ao conceito que cada indivíduo é um N de um, quer dizer, o gêmeo digital de um indivíduo é informado por medida contínua de variáveis clínicas e comportamentais únicas em que se usa esses dados para moldar orientação de cuidados em direção à melhor e mais saudável versão desse indivíduo, daí, o poder da tecnologia dos gêmeos digitais está na atenção às pequenas coisas que comemos e fazemos e como impactam no eu atual e futuro, quer dizer, na prática os gêmeos digitais podem prever com precisão o efeito que um jantar terá na saúde metabólica ou cardiovascular de pessoa específica e, na medida que o impacto pode ser negativo os gêmeos digitais podem oferecer meios de mitigar repercussões. Pode mostrar ao indivíduo o que o espera se permanecer na trajetória atual e mudanças que podem ocorrer ao fazer ajustes ao longo do tempo, mantendo rotina pois trata-se de tecnologia potente e, embora o impacto nos cuidados de saúde tenha sido reconhecido apenas em academias, começa encontrar espaço em casos de uso comercial, com, em 2014, a Dassault Systemes e o FDA lançando a SIMULIA Coração Vivo, ou, projeto que trabalha com fabricantes de dispositivos para desenvolver e refinar dispositivos cardíacos em ritmo mais rápido já que no início da pandemia, a OnScale's Projeto BreathEasy desenvolveu um gêmeo digital pulmonar de pacientes com COVID-19 para melhorar e otimizar os recursos de ventilação. Vale considerar que pesquisadores médicos estão usando modelos de doenças de gêmeos digitais para prever eficácia de intervenções farmacêuticas com base em processos biológicos complexos e extremamente individuais, por exemplo, a Takeda Pharmaceuticals adotou a tecnologia para encurtar processos farmacêuticos e prever de modo realista entrada-saída à reações bioquímicas e, recentemente, usaram a tecnologia de gêmeos digitais para simular resultados de terapia e determinar melhor tratamento à câncer de orofaringe com base no indivíduo, considerando que artigo publicado na Nature afirma que gêmeos digitais estão “prontos para fazer contribuições substanciais” no tratamento do câncer, no monitoramento da progressão da doença e na avaliação das respostas ao tratamento, que variam de indivíduo à indivíduo, sendo que o mesmo artigo analisa gêmeos digitais cardíacos alimentados por imagens, EHR, dados genéticos e vestíveis contínuos e seu potencial em prever eventos cardíacos agudos. Um gêmeo digital requer milhares de pontos de dados por dia, por indivíduo, para entender interação entre biologia, cultura, estilo de vida, preferências e saúde do indivíduo, dados já capturados por wearables e aplicativos móveis ainda sem modelo que os coloque no contexto do indivíduo e sua jornada de cuidados deixando lacuna sem rumo, considerando que no mundo do gerenciamento de doenças crônicas, pequenas coisas podem tornar-se grandes e fatais enquanto saúde digital aumenta esperanças dos pacientes com linguagem como “personalização”, ferramentas e abordagens oferecidas aos pacientes em suas necessidades e preferências únicas.
Moral da Nota: a maior oportunidade IA em finanças não são novos modelos e sim o desbloqueio de dados antigos, é o que pensa Aashish Mehta, CEO da NROAD e, à medida que IA avança em todos os setores, empresas de serviços financeiros encontram-se em encruzilhada por explorar o potencial IA, mas, cautelosas com o escrutínio regulatório com instituições descobrindo que o caminho à inovação é mais complexo que o previsto. Instituições financeiras geram e gerenciam volumes gigantes de dados diariamente, no entanto, estima-se que 80-90% desses dados não são estruturados, enterrados em contratos, e-mails, divulgações, relatórios e comunicações e sem acesso a informações claras, contextuais e confiáveis, mesmo os modelos mais avançados correm risco de gerar resultados imprecisos ou enganosos, tal questão é particularmente problemática em serviços financeiros, onde precisão, transparência e conformidade regulatória são inegociáveis e à medida que as empresas correm para adotar IA descobrem que seus ativos de dados mais valiosos permanecem presos em sistemas desatualizados e repositórios isolados. Preocupações com alucinação e transparência onde modelos IA geram informações plausíveis, mas, incorretas, sem rastreabilidade adequada, aumentam em crescente, ao passo que, o viés do modelo e a falta de explicabilidade complicam a adoção, especialmente em áreas como empréstimos, avaliação de risco e conformidade onde decisões opacas podem levar a exposição jurídica e danos à reputação, daí, pesquisas indicarem que mais de 80% das instituições financeiras citam preocupações com confiabilidade e explicabilidade dos dados como fatores que atrasam iniciativas IA, enquanto o medo de consequências não intencionais, aliado ao rigor da supervisão, cria ambiente de cautela, considerando que a pressão para inovar e o receio de entrar em conflito com reguladores ou implementar sistemas IA em que não se possa confiar plenamente, nesse clima, soluções de IA generalizadas ou experimentação de LLMs prontos à uso pode levar leva a paralisação de projetos, investimentos, ou, pior, sistemas que amplificam o risco em vez de mitigá-lo. O avanço que o setor precisa é a mudança de foco, da construção de modelos ao domínio dos dados enquanto processamento de dados não estruturados e específicos de domínio dão abordagem mais fundamentada à IA em serviços financeiros em vez de depender de modelos genéricos treinados em dados abrangentes da internet, método, que enfatiza extração, estruturação e contextualização de dados exclusivos que instituições financeiras já possuem e, por fim, utilizar IA projetada para compreender nuances da linguagem financeira, documentação e fluxos de trabalho, levam empresas transformarem dados antes inacessíveis em inteligência acionável permitindo automação, informações e suporte à decisão baseados na confiança da própria instituição e não em conjuntos de dados externos propensos a imprecisões ou irrelevância.