Inteligência Artificial aplicada: Exemplo na Saúde

Inteligência Artificial aplicada: Exemplo na Saúde - Inteligência Artificial aplicada Exemplo na Saúde 1 - saude, para-desenvolvedores, organizacao, inteligencia-artificial, digital-business, consumo, banner, aplicacoes -

Estava procurando uma boa inspiração pra escrever esse material e fui buscar algumas referências antigas que eu tinha da época do início da graduação (e já se foram belos 15 anos de formado). Acabei me deparando com um artigo que mostra uma ótima aplicação de Inteligência Artificial, um projeto que ainda está em uso (bem melhorado, claro), e que corrobora o que eu sempre falo. O que nós estamos vivendo já foi descrito e escrito muito tempo atrás. Todas as técnicas e conceitos estão a muito tempo ao nosso redor. Só estamos fazendo uso massivo disso agora. Mas vamos lá, deixemos de conversa fiada e mostremos o que interessa.

Esse projeto foi desenvolvido em 1998 por pesquisadores da Alabama University em parceria com o Centro para Controle e Prevenção de Doenças dos Estados Unidos (CDC), aquele departamento norte-americano que coloca todo mundo em quarentena nos filmes e séries.

O objetivo do trabalho foi apresentar um processo de análise capaz de identificar, automaticamente, novos e interessantes padrões nos dados referentes a infecção hospitalar e vigilância sanitária.

Os sistemas de vigilância são essenciais para a detecção de novas ameaças de infecções na saúde pública e nos ambientes hospitalares. A eficácia de um sistema dessa natureza é determinada pela sua habilidade de analisar, rapidamente, séries históricas de dados e detectar grupos de doenças não comuns. Por isso a quarentena, evitar que quando isso for detectado, ele se espalhe e acabe virando uma epidemia ou pior, uma pandemia.

Problema abordado pela Saúde

O principal problema abordado pelos pesquisadores é que a maioria dos sistemas e técnicas para análise de dados assume que o usuário já tem uma situação pré-definida (ex. infecções por Salmonella em uma determinada região), cuja incidência é monitorada ao longo do tempo. Isso significa que, mudanças nas características da incidência que não estão sendo monitoradas, não são detectadas. Visando resolver este problema, os pesquisadores propuseram a utilização de técnicas de IA que não restrinjam a análise apenas aos indicadores definidos pelo usuário, mas que sejam capazes de identificar novos padrões e associações, além de conseguir detectar mudanças na forma de incidência de uma epidemia ou endemia ou qualquer programa de controle sanitário.

Como eles fizeram?

Bom, a principal característica do processo de Inteligência Artificial proposto foi a mudança de paradigma. Enquanto nos sistemas tradicionais de vigilância prioriza-se uma alta frequência e um alto grau de confiança nas regras de associações existentes, a proposta aqui foi inversa; as associações com uma alta frequência e com um baixo nível de confiança são as mais utilizadas. A razão é simples: Se um fenômeno B ocorre toda vez que um fenômeno A ocorre e o fenômeno A ocorre com muita frequência, provavelmente trata-se de uma situação trivial ou muito bem conhecida. Se, por outro lado, um fenômeno B ocorre em apenas algumas situações que A ocorre, nessas condições a associação A Þ B é uma associação de baixa confiança. Porém, se, ao longo do tempo, o grau de confiança desta associação aumentar, isto pode indicar uma alteração na característica de incidência do problema. Este fato é extremamente importante para atividades de prevenção e, raramente são detectados por ferramentas de análises tradicionais.

O processo geral da solução proposta é muito simples, e constituído basicamente pelas seguintes etapas:

  • Os dados que serão analisados são divididos em partes, seguindo uma divisão temporal, e em cada parte são aplicadas técnicas para descobrir todas as associações com alta frequência;
  • Para cada regra de associação identificada neste conjunto de dados (que corresponde a um determinado período de tempo), o seu grau de confiança é comparado com o grau de confiança apresentado por esta mesma regra, no conjunto de dados que correspondem ao período anterior;
  • Se o grau de confiança de uma regra sofreu um aumento significativo de um período para o outro, esta regra é sinalizada como um evento que merece atenção;

Validação da Aplicação

Para validação da aplicação foram utilizados dados do UAB Hospital (University of Alabama Birmingham). O escopo de análise foi reduzido aos casos de infecções provocadas por Pseudomonas Aeruginosa durante o ano de 1996. Cada registro corresponde a um caso de infecção por Aeruginosa e é constituído, basicamente, pelos atributos: data de ocorrência, localização do paciente no hospital, CEP do paciente e resultado do teste (R = Resistente; I = Intermediário; S = suscetível) para piperacillin, ticarcillin / clavulanate, ceftazidime, imipenem, amikacin, gentamicin, tobramycin e ciprofloxacin.

Para detecção de novas regras de associação, o experimento foi realizado por três vezes, considerando diferentes divisões dos dados. Em cada divisão foi considerado um período de tempo diferente. Foram considerados períodos de um, três e seis meses, respectivamente, para os experimentos A, B e C.

Para análise das regras de associação foi considerada uma frequência 10 em todos os experimentos.

Com o que eles fizeram?

Associação:

A solução proposta no trabalho, basicamente, consiste na aplicação de técnicas de associação, visando a identificação de novas correlações nos dados. Foi utilizado um cálculo simples chi-square para a definição das melhores regras de associação.

O que eles conseguiram como resultado?

Vejam, o processo descobriu e monitorou mais de 2.000 associações no experimento A, mais de 12.000 no experimento B e mais de 20.000 no C. Uma análise dos eventos descobertos mostrou que, a maioria destes eventos no experimento A não foram detectados no experimento B e, também, não foram encontrados no C. No entanto, alguns eventos interessantes foram detectados e para eles, ações preventivas foram sugeridas, veja um exemplo abaixo.

Inteligência Artificial aplicada: Exemplo na Saúde - tabela int art na saúde - saude, para-desenvolvedores, organizacao, inteligencia-artificial, digital-business, consumo, banner, aplicacoes -

O que achamos disso tudo?

Os pesquisadores definiram um novo processo para identificação e monitoramento de novos padrões e associações nos dados, o qual se mostra eficiente e adequado para sistemas de vigilância sanitária. Os experimentos realizados validaram a eficiência do processo para a identificação de eventos interessantes, mesmo sem conhecimento prévio, podendo, inclusive, gerar ações preventivas. Essa é a grande vantagem e a inovação que a Inteligência Artificial provoca nas nossas vidas hoje.

E o que isso tem com o DataExperience? Tem tudo a ver! Afinal de contas, queremos cada vez mais democratizar o uso dos dados para decisões mais consistentes, para análises mais apuradas e mais do que tudo, queremos facilidade no consumo da informação. Afinal, informação complicada demais para se ver ou acessar, não serve de nada. Viva a Democracia dos Dados.

Abraço Forte!

  • facebook
  • googleplus
  • twitter
  • linkedin
  • linkedin
Previous «
Next »

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Destaque