[ editar artigo]

Inteligência Artificial, Machine Learning e a Medicina

Inteligência Artificial, Machine Learning e a Medicina

A imaginação humana faz com que vislumbremos uma máquina que interage com humanos como se igual fosse! Há algo de romântico nisso. Mas, na verdade, a subjetividade humana (a inteligência emocional) é uma coisa difícil de uma máquina adquirir.

Toco nesse assunto novamente devido ao medo recorrente de diversos colegas médicos de se verem substituídos repentinamente pelo fantasma do médico robô.

Há algum tempo uma reportagem da revista Veja de maio de 2017 questionou: Você aceitaria ser atendido por um médico robô?

No artigo o autor relatava que, a inteligência artificial tornava-se, aos poucos, uma realidade na medicina e conseguia auxiliar os médicos a diagnosticar, prescrever tratamentos, realizar pesquisas científicas e até mesmo a operar. Mas será que as pessoas estavam preparadas para lidar com esse avanço? A resposta é sim. Isso foi revelado em um estudo realizado pela consultoria internacional PricewaterhouseCoopers (PwC).

Literalmente o artigo dizia que:

Vivemos a Revolução Industrial 4.0. Há uma grande tendência de otimização da tecnologia especializada, que vai criar plataformas e poderá mudar todo o cenário econômico e social daqui para frente – inclusive o da saúde.”
Eliane Kihara, sócia da empresa no Brasil.

De acordo com o questionário realizado com 11.000 pessoas de 12 países da Europa, Oriente Médio e África, 55% dos entrevistados estavam dispostos a substituir tratamentos convencionais por soluções com tecnologia.

O levantamento da PwC aponta que para 36% das pessoas esse tipo de tecnologia tornaria os cuidados mais rápidos e acessíveis, 33% acreditam que os robôs garantiriam um diagnóstico mais preciso e 29% apontam que os tratamentos seriam melhores. Os resultados foram ainda mais positivos nos países em desenvolvimento.

Por outro lado, os resultados mostram que o uso da tecnologia deveria ter limites. Entre os entrevistados, 47% valorizam o ‘toque humano ‘do médico durante consultas, 41% não confiam na decisão dos robôs em momentos de crises, como erros ou acidentes durante cirurgias e exames, por exemplo. Já 40% dos pacientes acreditam que apenas um médico humano saberá fazer as decisões certas, usando a intuição e a sabedoria além dos dados.

Mas além do medo de nossos médicos, há muitas dúvidas dos colegas sobre o que seria esta famosa inteligência artificial. Então vejamos...

 

INTELIGÊNCIA ARTIFICIAL VERSUS HUMANA

Quando falamos de inteligência artificial precisamos nos remeter a um conceito bastante antigo que é o teste de Turing. Nos referimos ao cientista Alan Turing, que através de uma máquina “o Cristopher” decifrou o código de outra máquina a nazista “Enigma”. Podemos ver isso em um filme O jogo da Imitação.

O Teste de Turing, até hoje, é o padrão-ouro para os cientistas testarem suas máquinas e eles mantêm as regras do teste de Turing como o paradigma a partir do qual elas julgam se uma máquina pode ser considerada inteligente.

Foi nos longínquos anos 50 do século XX que o matemático inglês Alan Turing propôs um teste muito simples para verificar se uma máquina era inteligente: colocaria uma pessoa a fazer perguntas a dois interlocutores desconhecidos, uma máquina e um humano. As perguntas seriam feitas por escrito, e quem responde tanto pode ser uma pessoa ou um computador. Obviamente, quem pergunta não sabe se quem responde é humano ou não: o objetivo é precisamente descobri-lo. Alan Turing propôs que quando um computador fosse confundido com um humano, então esse computador poderia ser considerado uma máquina inteligente.

O teste de Turing foi uma proposta astuciosa para a época – afinal, nos anos 50 estávamos ainda longe de construir uma máquina capaz de conversar como um humano. Um exemplo recente são os chat bots (programas que conversam) que se confundem com pessoas, e as pessoas são inadvertidamente confundidas com robôs.

Quanto a inteligência humana segundo a Wikipedia:

Inteligência tem sido definida popularmente e ao longo da história de muitas formas diferentes, tais como em termos da capacidade de alguém resolver situações diversas utilizando a lógica, abstração, memorização, compreensão, autoconhecimento, comunicação, aprendizado, controle emocional, planejamento e resolução de problemas.

De maneira que não há uma forma só de inteligência, de maneira que não haveria de ter uma INTELIGENCIA ARTIFICIAL única, ou seja, completa, que pensasse como um humano ou ainda com um médico, interagindo sinergicamente com os vários tipos de inteligência e realizando proezas humanas.

Há uma máquina completamente inteligente? A resposta é não. Pois quando nos propomos a construir uma inteligência artificial, partimos da necessidade de resolver um problema específico, de maneira que a inteligência construída é específica! Ela se comporta de maneira especificamente inteligente. Para cada situação há um tipo de raciocínio de máquina adequado, e para muitas situações do dia a dia ainda não há uma máquina inteligente. Entre elas podemos incluir as situações relacionadas a área de saúde. O que vemos atualmente é que há soluções específicas para pontos específicos.

Outra consideração de caráter técnico é que a inteligência artificial não é exatamente um algoritmo (ou linha de código de instrução), mas mais uma forma de fórmula matemática que influencia uma dinâmica de um algoritmo fazendo com que ele mude, ou seja, aprenda a partir de experiências anteriores. É o que se define pelo termo famoso machine learning ou aprendizado de máquina.

 

MACHINE LEARNING

Vamos fazer um exercício de imaginação. Será que...

  • Podemos criar algoritmos que se desenvolvam e tirem conclusões sem serem previamente programados para isso?
  • É possível uma máquina ‘pensar sozinha’?
  • É possível solucionarmos problemas do nosso cotidiano usando essa tecnologia?
  • Que novidades essa tecnologia traz para a humanidade como um todo?
  • Há aplicação e interesse pelas empresas?

Por definição, Machine Learning é uma automatização de modelos analíticos. Trata-se de um método que permite que máquinas tomem decisões e façam previsões baseadas em análise de dados, sem que tenham sido necessariamente programadas para isso.

Em outras palavras, consiste em desenvolver algoritmos que “aprendam” sozinhos, utilizando os cálculos feitos anteriormente, para assim, cruzar com novos dados e extrair insights que possam estar encobertos pelo grande volume de informações (big data).

Esses algoritmos inteligentes precisam ter dois elementos: uma tarefa a ser executada e uma medida de performance.

Vamos usar como exemplo um detector de SPAMs.A tarefa desse algoritmo seria detectar quais e-mails seriam spam e quais não. A medida de performance para essa ação seria a porcentagem de e-mails excluídos corretamente.

A partir desses dois elementos definidos, pode-se dizer que esse algoritmo aprenderá sozinho caso ele consiga elevar a porcentagem de spams detectados corretamente, utilizando apenas a análise dos dados disponíveis, sem que haja alterações em seu código fonte. Ou seja, são algoritmos que melhoram sua performance em uma determinada tarefa por meio da análise de dados e não através de melhorias (implementadas de forma manual, por humanos) em seu código fonte.

 

Tipos de Aprendizagem de Máquina

Existem diferentes tipos de aprendizagem de máquina, mas os dois tipos básicos, são:

  1. Aprendizagem supervisionada: é apresentado ao algoritmo um modelo de dados preestabelecidos como certo ou errado, isto é, o algoritmo já conhece as categorias classificadas. Fica sob responsabilidade do algoritmo apenas ajustar seus parâmetros para estabelecer uma divisão dos dados mais eficiente e assertiva ao modelo apresentado e depois testá-lo extrapolando para outros conjuntos de dados.
  2. Aprendizagem não supervisionada: nesse modelo de aprendizagem não é apresentado ao algoritmo nenhum modelo predeterminado. Ele deve ser capaz de agrupar e rotular modelos conforme a coleta e processamento de dados.

Tipos de tarefas de um algoritmo que aprende:

Classificação: o algoritmo vai classificar dados com base em rótulos. Por exemplo, imagine que seu algoritmo conhece os modelos “animais, plantas e humano”. Caso você apresente um gato para o algoritmo, ele saberá classificá-lo como um animal. Ou separar cães de gatos.

Regressão: o algoritmo vai prever valores e comportamentos a partir da análise de dados anterirores. Por exemplo, digamos que você vai investir seu dinheiro em um imóvel. Não seria interessante saber qual casa irá valorizar mais no futuro, ou qual o bairro da cidade que terá o maior crescimento urbano? Desenvolver um algoritmo de regressão pode ser a maneira de obter as respostas para essas perguntas.

Agrupamento: o algoritmo vai separar os dados em grupos, segmentando por características similares. Pense comigo: não seria interessante a Netflix saber o que seus principais assinantes possuem em comum? Por exemplo, um algoritmo de agrupamento poderia dividir todos os usuários em grupos conforme as preferências. Uma possível situação seria agrupar conforme o tempo em que determinados usuários ficam assistindo um gênero de filme no final de semana ou até mesmo o número de séries assistidas ao mesmo tempo. Claro, esses são apenas alguns exemplos. Se você já acessou a Netflix, sabe que eles fazem muito mais que isso!

 

Por que as empresas investem tanto em Machine Learning?

Se você pesquisar sobre empresas que utilizam Machine Learning, encontrará algumas gigantes do mercado, bem como, startups regionais que se destacam nas suas respectivas áreas de atuação. Certamente, uma parte da vantagem competitiva dessas empresas em seus segmentos está diretamente ligado a essa área do conhecimento.

Através das práticas de Machine Learning, a Netflix consegue identificar diversos tipos de perfis de clientes e, com isso, pode fazer sugestões inteligentes de programação personalizada para seus usuários. Já o Google consegue selecionar os resultados que serão mais assertivos quando você realiza uma busca. O Spotify pode te indicar novas músicas, que você desconhece, baseado nas músicas que você já ouviu ou ouve com mais frequência.

Já aconteceu de você começar a digitar algo no campo de busca do Google e ele sugerir exatamente o que você estava pensando? Exato, o Google consegue prever o que você está pensando em digitar! É por isso que você tem a impressão de que o Google escuta o que você fala e pensa.

Além de todas as aplicações acima, o Machine Learning ainda está trazendo grandes avanços no seguimento de segurança digital, na manutenção de máquinas industriais, na medicina e até mesmo no recrutamento de profissionais para as empresas.

Resumindo, as empresas estão procurando se especializar nessa área justamente porque essa tecnologia proporciona um enorme diferencial competitivo para o negócio, serviço ou produto. Com as práticas de Machine Learning, as empresas conseguem criar um produto melhor, personalizado e que proporcione uma experiência incrível para o usuário.

Carros autônomos do Google que melhoram sua performance com o tempo, sistemas que detectam SPAMs automáticos e algoritmos que identificam quem é a pessoa que está em uma foto postada no Facebook, são alguns – entre tantos – exemplos de algoritmos que se desenvolvem de maneira autônoma.

Mas o exemplo mais conhecido de todos é o supercomputador Watson. Desenvolvido pela IBM, ele foi capaz de vencer um programa de perguntas e respostas dos Estados Unidos. Detalhe: jogando contra dois campeões. Segundo a IBM, o Watson consegue analisar 200 milhões de páginas de dados e responder questões em menos de 3 segundos. Hoje ele é usado no desenvolvimento de pesquisas médicas em duas universidades nos EUA.

Diversos processos que fazem parte do nosso dia a dia são realizados através de algoritmos de Machine Learning, entre eles:

  • Detecção de fraudes;
  • Liberação de crédito;
  • Resultados de pesquisa na Web;
  • Anúncios em tempo real em páginas da web e dispositivos móveis;
  • Análise de sentimento baseada em texto;
  • Pontuação de crédito e próximas melhores ofertas;
  • Previsão de falhas em equipamento;
  • Novos modelos de precificação;
  • Detecção de invasão na rede;
  • Reconhecimento de padrões e imagem;
  • Filtragem de spams no e-mail.

Será que diagnóstico médico entrará nesse hall de processo excitados por algoritmos?

 


Quer escrever?

Publique seu artigo na Academia Médica e faça parte de uma comunidade crescente de mais de 125 mil médicos, acadêmicos, pesquisadores e profissionais da saúde. Clique no botão "NOVO POST" no alto da página!

 

Academia Médica
Domingos Bezerra
Domingos Bezerra Seguir

medico urologista UPE. interesses atuais = medicina 4.0 , medicina disruptiva, tecnologia emsaúde

Ler matéria completa
Indicados para você