Aprendizado de máquina na área da saúde

Atualmente, o aprendizado de máquina (que faz parte de toda a ciência da inteligência artificial) desempenha um dos maiores papéis em muitas áreas da nossa vida - inclusive na área da saúde. Isso pode incluir diferentes aspectos relacionados à saúde, como o desenvolvimento de novos procedimentos médicos, o tratamento de dados de pacientes e a previsão de resultados do tratamento de doenças .

No entanto, quando se trata de prever o resultado de cirurgias e outros tratamentos médicos, a eficácia dos métodos de aprendizado de máquina é apenas um pouco conhecida, pelo menos em termos de previsão do resultado usando dados coletados de médicos humanos e outros médicos.

Previsão de resultados de doenças

Agora, em um estudo no Journal of the American Medical Association (JAMA) em 12 de julho de 2015, pesquisadores da University of Rochester Medical Center e da University of Illinois estão relatando que o aprendizado de máquina pode permitir que médicos humanos façam previsões relativamente precisas de resultados de doenças.

Os pesquisadores, liderados pelo Prof. Paul Nierenberg, desenvolveram um algoritmo que usa uma coleção de dados, incluindo dados do paciente, para prever os resultados da doença e das complicações em cirurgias e outros procedimentos médicos, combinando informações dos registros médicos dos pacientes com informações do computador. programas que calculam as probabilidades do resultado.

Previsão de resultados de cirurgias

Essas informações podem ser usadas nas análises pré-cirúrgicas para antecipar os resultados prováveis de um determinado procedimento.

"A geração atual de procedimentos diagnósticos e cirúrgicos é uma combinação de simulação computadorizada de todo o procedimento e do histórico médico do paciente", explica o Dr. Brian Meech, autor sênior do estudo e diretor do Centro de Informações Médicas da Universidade de Rochester Centro médico. "Infelizmente, os modelos de computador simulam apenas a análise de risco-benefício em uma fração relativamente pequena de procedimentos cirúrgicos, geralmente menos de um por cento".

O método de análise do estudo teve implicações além dos efeitos potenciais do procedimento na condição médica do receptor. Ao comparar o risco de eventos adversos nos procedimentos cirúrgicos para pessoas de todas as idades, foi levantada a hipótese de que um número maior de procedimentos teria sido realizado antes do diagnóstico e, portanto, em uma faixa etária diferente, tornando-os menos arriscados para resultados adversos.

A nova pesquisa analisou os dados de mais de 6.000 operações ao longo de um período de 40 anos nos EUA, a segunda maior população em que esses dados estavam disponíveis.

Desenvolvimento de novos medicamentos

O uso de aprendizado de máquina na descoberta preliminar de medicamentos (em estágio inicial) tem potencial para vários usos, desde a triagem inicial de compostos de medicamentos até a taxa de sucesso prevista com base em fatores biológicos.

Pode ajudar a prever a eficácia e a segurança dos medicamentos (que é um dos principais objetivos do desenvolvimento de novos medicamentos), além de fornecer informações sobre novos ingredientes que estão potencialmente se desenvolvendo em novos medicamentos.

Essa nova abordagem para o desenvolvimento de novos medicamentos é importante porque as abordagens atuais se baseiam na suposição de que cada composto possui um alvo específico e bem estudado, o que limita o desenvolvimento de novos medicamentos a pequenos grupos de compostos. Além disso, supõe-se que o "melhor" composto seja o primeiro a chegar a ensaios clínicos.

Isso significa que muitos compostos que podem não causar danos, podem ter apenas um efeito fraco ou podem ser prejudiciais em altas doses podem obter a aprovação do FDA, mesmo que esses compostos não possam ser estudados com confiabilidade, pois podem ser mais prejudiciais com o aumento da dose.

Mineração de dados

A mineração de dados é um campo de estudo cada vez mais importante em saúde pública. Ao executar uma variedade de tarefas, como aprendizado de máquina na pesquisa, a mineração de dados assume uma ampla variedade de formas: aplicação de um modelo baseado em dados para extrair significado de um conjunto de dados, extrair variáveis relevantes de um conjunto de dados e avaliar um modelo nessas variáveis.

A mineração de dados é um campo de estudo altamente complexo e interdisciplinar que pode variar de análise básica de dados a mineração de dados e interpretação de dados.