Os computadores que são capazes de aprender a prever a morte prematura podem melhorar muito os cuidados de saúde preventivos no futuro, sugere um novo estudo realizado por especialistas da Universidade de Nottingham.

A equipe de cientistas e médicos de dados de saúde desenvolveu e testou um sistema de algoritmos de 'aprendizagem de máquina' baseados em computador para prever o risco de morte precoce devido a doenças crônicas em uma grande população de meia-idade.

Eles descobriram que este sistema de IA era muito preciso em suas previsões e tinha um desempenho melhor do que a abordagem padrão atual para previsões desenvolvida por especialistas humanos. O estudo é publicado por PLOS ONE em uma edição especial das coleções de "Aprendizado de Máquina em Saúde e Biomedicina".

A equipe usou dados de saúde de pouco mais de meio milhão de pessoas com idades entre 40 e 69 recrutadas para o UK Biobank entre 2006 e 2010 e acompanhadas até 2016.

Liderando o trabalho, Professor Assistente de Epidemiologia e Ciência de Dados, Dr. Stephen Weng, disse:"Os cuidados de saúde preventivos são uma prioridade crescente na luta contra doenças graves, por isso temos trabalhado durante vários anos para melhorar a precisão da avaliação computadorizada dos riscos para a saúde na população em geral. A maioria das aplicações concentra-se numa única área de doença, mas prevendo 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 em frente neste campo ao desenvolver uma abordagem única e holística para prever o risco de uma pessoa de morte prematura por aprendizado de máquina. Isso usa computadores para construir novos modelos de previsão de risco que levam em consideração uma ampla gama de dados demográficos, biométrico, fatores clínicos e de estilo de vida para cada indivíduo avaliado, até mesmo seu consumo dietético de frutas, vegetais e carne por dia.

"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 as estatísticas de 'episódios hospitalares'. Descobrimos que algoritmos aprendidos por máquina eram significativamente mais precisos na previsão da morte do que os modelos de previsão padrão desenvolvidos por um especialista humano. "

Os modelos de aprendizado de máquina de IA usados ​​no novo estudo são conhecidos como 'floresta aleatória' e 'aprendizado profundo'. Estes foram lançados contra o modelo de previsão de 'regressão de Cox' tradicionalmente usado com base na idade e sexo - considerado o menos preciso na previsão da mortalidade - e também um modelo de Cox multivariado que funcionou melhor, mas tendeu a superestimar o risco.

Professor Joe Kai, um dos acadêmicos clínicos trabalhando no projeto, disse:"Atualmente, há um interesse intenso no potencial de usar 'IA' ou 'aprendizado de máquina' para prever melhor os resultados de saúde. Em algumas situações, podemos achar que ajuda, em outros, pode não ser. Neste caso particular, mostramos que, com um ajuste cuidadoso, esses algoritmos podem melhorar a previsão de maneira útil.

"Essas técnicas podem ser novas para muitos na pesquisa em saúde, e difícil 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 os cuidados de saúde. "

Este novo estudo baseia-se no trabalho anterior da equipe de Nottingham, que mostrou que quatro algoritmos de IA diferentes, 'floresta aleatória', 'regressão logística', 'aumento de gradiente' e 'redes neurais', foram significativamente melhores na previsão de doenças cardiovasculares do que um algoritmo estabelecido usado nas diretrizes atuais de cardiologia. Este estudo anterior está disponível aqui.

Os pesquisadores de Nottingham prevêem que a IA desempenhará um papel vital no desenvolvimento de futuras ferramentas capazes de fornecer medicina personalizada, personalizar o gerenciamento de risco para pacientes individuais. Outras pesquisas requerem a verificação e validação desses algoritmos de IA em outros grupos populacionais e a exploração de maneiras de implementar esses sistemas na rotina de saúde.