logo
Top

Machine Learning na Saúde: prevenção, detecção e tratamento de doenças

Machine Learning na Saúde: prevenção, detecção e tratamento de doenças

 

Verdade seja dita: vivemos em mundo orientado por dados. Nos últimos anos, testemunhamos o avanço de recursos e aumento do volume de dados disponíveis –90% de tudo que temos hoje foi criado nos últimos 2 anos. Vimos algoritmos sofisticados serem desenvolvidos e o poder computacional e de armazenamento melhorarem continuamente. Além disso, acompanhamos o machine learning e a inteligência artificial ganharem força e serem aplicados aos mais diversos setores, como varejo, indústria, setores públicos e saúde.

 

O relatório da McKinsey Global Institute de 2016, “The Age of Analytics: Competing In a Data-Driven World”, é categórico sobre o assunto: “Dados e análises alteraram a dinâmica em muitos setores e as mudanças acelerarão à medida que o machine learning e o aprendizado profundo desenvolverem capacidades para pensar, resolver problemas e entender a linguagem”.

 

No setor de saúde, são inúmeros os benefícios que podem ser capturados das novas tecnologias, que vão desde a aplicação clínica até a gestão. Pensar em machine learning na saúde pode parecer distante. É fato que os hospitais brasileiros ainda têm um longo caminho a percorrer quando o assunto é a adoção de novas tecnologias e o desenvolvimento de capacidades analíticas. No entanto, muitos já começaram a mudar a forma como usam os dados, e já passam a contar com o suporte de especialistas para enfrentar este desafio.

 

O que é Machine Learning?

Em português, muitos conhecem como Aprendizado de Máquina, ou mesmo Aprendizagem Automática. O termo foi cunhado pela primeira vez em 1959 por um engenheiro do MIT que o aplicou para descrever “um campo de estudo que dá aos computadores a habilidade de aprender sem terem sido programados para tal”.

 

Em sua essência, machine learning preserva suas origens. Trata-se do estudo de reconhecimento de padrões e do aprendizado computacional em inteligência artificial. Basicamente dois tipos de abordagens caracterizam o machine learning: aprendizado supervisionado e não supervisionado; e dois tipos de algoritmos: classificação e regressão.

 

 

Machine Learning na Saúde

O potencial de se trabalhar com dados, análises e técnicas de machine learning na medicina é enorme. Vai desde a redução de custos operacionais e gastos individuais com saúde, até a possibilidade de as pessoas desfrutarem de vidas mais longas, saudáveis e mais produtivas.

 

De modo geral, as aplicações na área da saúde são técnicas de aprendizado supervisionado para algoritmos de classificação. Isso significa que, por meio de um banco de dados de vários pacientes contendo a relação de seus sintomas e diagnósticos, busca-se encontrar padrões de sintomas para cada enfermidade. Desta forma, a aplicação é capaz de informar se o paciente tem ou não determinada enfermidade, de acordo com os sintomas que apresenta.

 

Exemplo: diagnóstico de câncer de mama

Ao analisar as características do nódulo na imagem de ressonância, segundo um banco de dados já definido, é possível classificar o nódulo como maligno ou benigno. Também é possível saber a probabilidade de o nódulo pertencer a cada uma das classificações, para então definir o diagnóstico do paciente e os próximos passos do tratamento.

 

Em outros casos, o uso da técnica de machine learning na saúde pode não ser tão específica, indicando não apenas uma, mas as possíveis enfermidades que o paciente pode ter de acordo com os sintomas que ele apresenta. Uma aplicação possível seria durante a triagem: ao chegar no pronto atendimento, diante dos sintomas apresentados e com o auxílio dos dados já pré-definidos no sistema, o paciente é encaminhado ao especialista mais adequado.

 

Estabelecer um processo de machine learning numa instituição de saúde requer uma série de diagnósticos específicos. Afinal, cada instituição tem suas particularidades. E cabe à gestão saber identifica-las. Aqui, contar com um parceiro especializado faz toda a diferença. Na Unisoma, utilizamos uma abordagem investigativa e buscamos compreender exatamente onde estão e quais são as dores que nossas soluções devem atacar. Para entregar o máximo de usabilidade e valor, desenvolvemos projetos únicos, moldados para as especificidades de cada cliente.

 

Benefícios de Machine Learning na Saúde

Para as instituições de saúde, o benefício direto da implementação de modelagem se resume em reduzir…

  • O tempo de diagnóstico;
  • Os custos com exames, indicando os mais decisivos para a obtenção do diagnóstico;
  • A equipe operacional necessária para atender a demanda, já que um médico conseguirá definir o diagnóstico com mais precisão e em um tempo menor de consulta, podendo atender mais pacientes.

 

Para o paciente, as vantagens são:

  • Maior precisão do diagnóstico, com melhor acompanhamento da evolução da enfermidade. Doenças detectadas em fases iniciais possibilitam maiores chances de cura ou sequelas menos drásticas;
  • Qualidade superior de atendimento, que é realizado de maneira mais personalizada;
  • Prevenção: com base em diagnósticos anteriores, é possível selecionar a família da enfermidade e, com os exames suplementares, entender como se prevenir de possíveis doenças.

 

Desafios

Um tratamento eficiente passa pela adoção de melhores práticas baseadas em evidências bem definidas e amplamente aceitas. Com isso é possível reduzir custos e melhorar a qualidade da prestação dos serviços de saúde. Investir em tecnologia de machine learning é uma maneira de maximizar resultados. Alguns desafios, no entanto, são inerentes à realidade das instituições de saúde.

 

O principal deles está no desenvolvimento de um banco de dados suficientemente grande para abranger o máximo de informações para o modelo. Considerando que as doenças se comportam diferentemente nos pacientes, o modelo deve ser capaz de absorver essas diferenças. Caso a instituição não conte com um modelo suficientemente robusto, é possível implementar e incluir dados e informações conforme o uso.

 

Para onde vamos?

A convergência de várias tendências tecnológicas está acelerando o progresso rapidamente. Uma enorme quantidade de dados vem sendo acumulada, mas por outro lado, pesquisas revelam que grande parte das instituições de saúde do Brasil captura apenas uma pequena fração do potencial valor de dados e análise disponível.

 

Diante da panaceia tecnológica, saber qual a melhor tecnologia a ser implementada para ajudar numa decisão médica pode ser determinante para a vida de um paciente. E as instituições precisam de ferramentas capazes de transformar dados em informação que permitam uma tomada de decisão mais assertiva.

 

Mariane Sahú é Analista de Modelagem Estatística da UniSoma

É Bacharel em Matemática Aplicada e Bacharel em Estatística pela Unicamp

Post a Comment