Uma equipe combinada de pesquisadores da Babylon Health e University College criou um algoritmo que afirmam poder encontrar relações causais entre as informações em conjuntos de dados médicos sobrepostos. Eles escreveram um artigo descrevendo seu algoritmo e o transferiram para o servidor de pré-impressão arXiv. Eles também farão uma apresentação descrevendo suas pesquisas na reunião deste ano da Association for Advancement of Artificial Intelligence.

Encontrar uma maneira sistemática de peneirar os dados para encontrar a causa de uma determinada condição em uma única pessoa doente é um grande desafio na pesquisa de IA. Se um paciente espirra mais do que o normal ultimamente, é porque um alérgeno foi introduzido em seu ambiente? Ou pegaram um resfriado? Pior, talvez tenham um tumor cancerígeno nos seios da face ou no cérebro. O sistema atual para buscar a resposta certa em tais cenários é baseado em humanos. Os médicos fazem perguntas e procuram respostas em sua memória. Se eles não conseguirem encontrar um, eles podem consultar outros médicos ou estudar livros de medicina ou bancos de dados online.

Este sistema tem seus méritos, claro, sendo o melhor disponível. Mas também tem desvantagens - é limitado pela memória humana e pela desenvoltura. Muitos especialistas em computação acreditam que existe uma maneira melhor - deixe um computador fazer isso. No momento, isso não é possível, mas os cientistas estão trabalhando nisso. Neste novo esforço, os pesquisadores introduziram um sistema com um algoritmo que analisa dados de diferentes, sobrepor conjuntos de dados e encontrar relações causais.

O algoritmo é baseado no conceito de entropia, em que qualquer sistema se torna mais desordenado com o tempo. Os pesquisadores propõem que existe entropia com informações em conjuntos de dados, também, e que as forças causais são mais ordenadas do que os dados que descrevem o resultado de seus efeitos. Sendo esse o caso, deve ser possível trabalhar de trás para frente para encontrar a causa - e é exatamente isso que seu algoritmo faz.

O sistema foi capaz de avaliar corretamente o tamanho e a textura dos tumores de câncer de mama ao comparar conjuntos de dados nos quais as relações causais já eram conhecidas - determinou que eles não tinham uma ligação causal, mas ambos eram um indicador de se o tumor era benigno ou maligno.

© 2020 Science X Network