Algoritmos e AI: entenda distinções e impactos na medicina

A Inteligência Artificial (IA) está aqui e está crescendo – rapidamente. A consultoria Accenture estima que, em 2035, a IA pode aumentar as taxas médias de lucratividade em 38% e levar a um aumento econômico de US$ 14 trilhões. Mas a IA não é uma tecnologia única, é formada por algoritmos, que levam aos recursos de Machine Learning, Deep Learning, entre outros. 

Qual é a diferença entre IA e algoritmos? Um algoritmo é um conjunto de instruções – uma receita predefinida, rígida e codificada que é executada quando encontra um gatilho. Por outro lado, a IA – que é um termo extremamente amplo que abrange uma variedade de especializações – é um grupo de algoritmos que pode modificar seus algoritmos e criar novos algoritmos em resposta às entradas e dados aprendidos, em vez de depender apenas das entradas foi projetado para reconhecer como gatilhos. Essa capacidade de mudar, se adaptar e crescer com base em novos dados é descrita como “inteligência”. 

“A IA na maturidade é como um sistema de engrenagens com três rodas interligadas: processamento de dados, Machine Learning e ação de negócios. Funciona de forma automatizada sem qualquer intervenção humana. Os dados são criados, transformados e movidos sem engenheiros de dados. As decisões são indicadas sem operadores ou agentes. O sistema aprende continuamente com os dados acumulados e as ações e os resultados ficam cada vez melhores com o tempo”, ressalta Niranjan Krishnan, chefe de ciência de dados da consultoria Tiger Analytics. 

Segundo o cientista de dados Mir Emad Mousavi, devemos pensar na relação entre Algoritmo e IA como a relação entre “carros e carros voadores”. “A principal diferença é que um algoritmo define o processo pelo qual uma decisão é tomada, e a IA usa dados de treinamento para tomar essa decisão. Por exemplo, você pode coletar dados de milhares de horas de condução por vários motoristas e treinar IA sobre como dirigir um carro. Ou você pode apenas codificá-lo para dizer quando ele identifica um obstáculo na estrada que empurra o freio, ou quando vê um sinal de trânsito, ele está em conformidade. Assim, com um algoritmo, você está definindo os critérios para as ações”, explica.

Transparência é fundamental

A necessidade de transparência em torno dos algoritmos envolvidos no setor de Saúde é fundamental por vários motivos. Imagine que na próxima vez que você consultar o seu médico, ele dirá que você tem uma doença que envolve risco de vida. A pegada? Um computador realizou seu diagnóstico, que é muito complexo para ser compreendido por humanos. O que seu médico pode explicar, no entanto, é que o computador quase sempre está certo. 

Se isso soa como ficção científica, não é. É o que o sistema de saúde pode parecer para médicos, pacientes e reguladores em todo o mundo, à medida que novos métodos de Machine Learning oferecem mais informações a partir de quantidades cada vez maiores de dados. 

Algoritmos complexos ajudam os médicos a fazer diagnósticos incrivelmente precisos sobre nossa saúde a partir de grandes quantidades de informações, mas baseadas em correlações muitas vezes inexplicáveis ​​desses dados. 

Mas não adianta opor-se a esses avanços. Os benefícios de uma abordagem algorítmica para o setor de Saúde são simplesmente grandes demais para serem ignorados. A detecção precoce de doenças como câncer de pele ou doenças cardiovasculares pode levar a reduções na morbidade graças a esses métodos. Economias mais pobres com acesso limitado a médicos treinados também podem se beneficiar, pois uma série de doenças pode ser encontrada e tratada mais cedo. As recomendações de tratamento individualizadas também podem melhorar, resultando em vidas salvas para alguns e maior qualidade de vida para muitos outros. 

Colaboração entre máquinas e humanos

Isso não significa que os modelos de Machine Learning substituirão os médicos. Em vez disso, o que provavelmente é uma mudança constante para ceder a responsabilidade por mais tarefas repetitivas e programáveis ​​às máquinas, permitindo que os médicos se concentrem em questões mais diretamente relacionadas ao atendimento ao paciente.  

Por último, os pacientes devem ser capazes de saber quando e por que seus médicos estão contando com algoritmos para fazer previsões. Quando apropriado, os pacientes devem manter a capacidade de solicitar explicações médicas mais tradicionais – e compreensíveis. Se um algoritmo dá a um paciente 90% de chance de má evolução diante de um tratamento proposto, por exemplo, o paciente deve ser capaz de aprender mais sobre as maneiras como o algoritmo foi criado, avaliado quanto à precisão e validado. E eles devem ser capazes de ver o diagnóstico ao lado de uma determinação mais tradicional, mesmo que esta seja menos provável de ser precisa. 

Os desafios de usar algoritmos no setor de saúde são muitos. Mas esses desafios, em face dos benefícios que esses avanços trarão, merecem ser combatidos e contornados. Vidas podem depender disso.