Usando inteligência artificial para prever a mortalidade
Nova pesquisa que aparece no jornal PLOS ONE sugere que o aprendizado de máquina pode ser uma ferramenta valiosa para prever o risco de morte prematura. Os cientistas compararam a precisão da previsão da inteligência artificial com a dos métodos estatísticos que os especialistas estão usando atualmente em pesquisas médicas.
Uma quantidade crescente de pesquisas recentes está sugerindo que algoritmos de computador e aprendizado de inteligência artificial (IA) podem ser altamente úteis no mundo médico.
Por exemplo, um estudo que apareceu há alguns meses descobriu que algoritmos de aprendizado profundo podem prever com precisão o início da doença de Alzheimer com 6 anos de antecedência.
Usando o chamado "conjunto de dados de treinamento", os algoritmos de aprendizado profundo podem "aprender a si mesmos" para prever se e quando um evento provavelmente ocorrerá.
Agora, os pesquisadores decidiram examinar se o aprendizado de máquina pode prever com precisão a mortalidade prematura devido a doenças crônicas.
Stephen Weng, que é professor assistente de epidemiologia e ciência de dados na Universidade de Nottingham, no Reino Unido, liderou a nova pesquisa.
Como a IA pode ajudar nos cuidados preventivos
Weng e seus colegas examinaram dados de saúde de mais de meio milhão de pessoas com idades entre 40 e 69 anos. Os participantes registraram-se no estudo UK Biobank entre 2006 e 2010. Os pesquisadores do estudo UK Biobank acompanharam os participantes clinicamente até 2016.
Para o estudo atual, Weng e a equipe desenvolveram um sistema de algoritmos de aprendizagem usando dois modelos chamados “floresta aleatória” e “aprendizagem profunda”. Eles usaram os modelos para prever o risco de morte prematura devido a doenças crônicas.
Os cientistas examinaram a precisão preditiva desses modelos e os compararam com os modelos convencionais de previsão, como a análise de “regressão de Cox” e um modelo multivariado de Cox.
“Mapeamos as previsões resultantes para os dados de mortalidade da coorte usando os registros de óbitos do Office of National Statistics, o registro de câncer do Reino Unido e estatísticas de‘ episódios hospitalares ’”, explica o investigador principal do estudo.
O estudo descobriu que o modelo de regressão de Cox era o menos preciso na previsão de morte prematura, enquanto o modelo multivariado de Cox era ligeiramente melhor, mas provavelmente superestimava o risco de morte.
No geral, “os algoritmos de aprendizado de máquina eram significativamente mais precisos na previsão da morte do que os modelos de previsão padrão desenvolvidos por um especialista humano”, relata Weng. A pesquisadora também comenta sobre o significado clínico dos achados.
Ele diz: “A saúde preventiva é uma prioridade crescente na luta contra doenças graves, por isso temos trabalhado há vários anos para melhorar a precisão da avaliação computadorizada de risco à saúde na população em geral”.
“A maioria dos aplicativos se concentra em uma única área de doença, mas prever a morte devido a vários desfechos de doenças diferentes é altamente complexo, especialmente dados os fatores ambientais e individuais que podem afetá-los.
“Demos um grande passo neste campo ao desenvolver uma abordagem única e holística para prever o risco de uma pessoa de morte prematura por aprendizado de máquina.”
Stephen Weng
“Isso usa computadores para construir novos modelos de previsão de risco que levam em consideração uma ampla gama de fatores demográficos, biométricos, clínicos e de estilo de vida para cada indivíduo avaliado, até mesmo seu consumo dietético de frutas, vegetais e carne por dia”, explica Weng.
Além disso, dizem os pesquisadores, os resultados do novo estudo reforçam as descobertas anteriores, que mostraram que certos algoritmos de IA são melhores para prever o risco de doenças cardíacas do que os modelos convencionais de previsão que os cardiologistas usam atualmente.
“Atualmente, há um grande interesse no potencial de usar 'IA' ou 'aprendizado de máquina' para prever melhor os resultados de saúde. Em algumas situações, podemos achar que ajuda, em outras, pode não ser. Nesse caso específico, mostramos que, com um ajuste cuidadoso, esses algoritmos podem melhorar a previsão de maneira útil ”, diz o Prof. Joe Kai, um acadêmico clínico que também trabalhou no estudo.
Ele continua: “Essas técnicas podem ser novas para muitos na pesquisa em saúde e difíceis de seguir. Acreditamos que, ao relatar claramente esses métodos de forma transparente, isso poderia ajudar na verificação científica e no desenvolvimento futuro deste campo empolgante para a saúde ”.
