News

Inteligência artificial já consegue prever quem vai morrer prematuramente

Uma equipe de cientistas e médicos desenvolveu um algoritmo de predição baseado em inteligência artificial, capaz de determinar com grande exatidão o risco a morte prematura de um paciente. Os pesquisadores, liderados por Stephen Weng, professor assistente de epidemiologia e ciência de dados na Universidade de Nottingham, avaliaram os dados médicos de 502.628 pessoas no Reino Unido, com idades entre os 40 e os 69 anos, entre 2006 e 2016.

Durante este tempo, 14.418 dos participantes morreram, principalmente de cancro, doenças do coração e respiratórias, de acordo com estudo publicado em 27 de março na publicação Plos One.

Para avaliar a probabilidade de predizer a mortes destes pacientes, os especialistas utilizaram dois modelos de algoritmos de IA: deep learning e random forest. O primeiro, baseado em sistemas de camadas ordenadas na forma de uma rede neural cerebral, é capaz de gerar respostas a partir de exemplos já dados. O segundo combina vários modelos de decisões na forma de uma árvore para formar um possível resultado.

Os resultados foram comparados a um terceiro modelo estatístico – conhecido como regressão de Cox – que calcula os riscos que afetam a sobrevivência de uma povoação de indivíduos. As conclusões demonstraram que as previsões dos algoritmos AI foram “significativamente mais precisas” do que a abordagem padrão atual, desenvolvida por especialistas humanos.

Assim, o algoritmo de deep learning produziu as previsões mais precisas, conseguindo identificar 76% dos indivíduos que morreram durante o período do estudo. Enquanto isso, o modelo de “floresta aleatória” previu corretamente cerca de 64% e a regressão de Cox apenas cerca de 44%.

Segundo Weng, a implementação desses algoritmos computorizados no atendimento médico preventivo poderia melhorar a precisão da avaliação de risco no combate a doenças graves. Desta forma, é possível criar novos modelos de previsão que levem em conta uma ampla gama de características demográficas, biométricas, fatores clínicos, estilo de vida e alimentação de cada indivíduo.