Inteligência Artificial (IA) é um conceito cada vez mais difundido no mundo, mas pouco compreendido. Ainda estamos longe da realidade de certos filmes de ficção científica, em que máquinas pensam e agem como seres humanos plenos — ou até além das capacidades humanas.
Na verdade, a IA representa uma área multidisciplinar baseada no desenvolvimento de tecnologias que, em seu princípio, guardam semelhança com a forma como os humanos aprendem e executam tarefas, como distinguir ou nomear pessoas e objetos, dirigir um veículo, reconhecer padrões em imagens, formular hipóteses diagnósticas, etc.
Um dos ramos da IA é o machine learning, ou aprendizado de máquina, em que algoritmos programados para analisar dados passam a constituir modelos computacionais — por vezes sofisticados — utilizados para as mais variadas finalidades. Quanto mais dados qualificados, em geral, maior a acurácia das predições e das ações derivadas.
Exemplos de aplicações do machine learning permeiam nossa vida no século XXI — carros autônomos, assistentes pessoais como a Siri (Apple), recomendações de séries na Netflix, recomendações de conteúdos nas redes sociais, e assim por diante. Na área da saúde, suas aplicações também são relevantes e cada vez mais tendem a mudar o paradigma da assistência e da gestão de saúde.
De modo geral, podemos dividir em três grandes áreas o machine learning com foco em saúde:
- Predição/classificação a partir de dados estruturados: é a modalidade mais comum na saúde, utilizando dados tabulares para alimentar algoritmos de classificação ou de predição;
- Análise de imagens médicas: sobretudo no segmento da medicina diagnóstica, este ramo se dedica a analisar padrões em imagens (tomografia computadorizada, ressonância magnética, fotografias de lesões de pele, etc.) com a finalidade de reconhecer padrões que possam predizer certos diagnósticos;
- Análise de linguagem natural: o ramo de NLP (Natural Language Processing, ou processamento de linguagem natural) aplicado à saúde trata do processamento de voz e texto, produzidos da forma como humanos tipicamente lidam com esse tipo de dado (ou seja, não se tratam de dados estruturados), com finalidades diversas. É uma das áreas mais desafiadoras do machine learning, sobretudo em sua aplicação médica, uma vez que a disponibilidade de dados sensíveis e de qualidade, bem como a complexidade de seu processamento, sem dúvida agregam desafios adicionais à área — mas não menos promissora.
Aqui na Lean Saúde, trabalhamos com machine learning a partir de dados estruturados, com o intuito de construir ferramentas preditivas eficazes e úteis ao ecossistema de saúde.,
Siga-nos em nosso blog e nas redes sociais (Instagram, Facebook, LinkedIn) para ser notificado dos próximos artigos, em que exploraremos ainda mais o tema!
