Big data e machine learning: esperança ou euforia?

Big data e aprendizado de máquinas (tradução literal do inglês: machine learning) oferecem perspectivas de detecção precoce das doenças, melhores resultados de tratamento e medicina mais personalizada. Mas há desafios na compreensão das suposições feitas pela inteligência artificial, na garantia da privacidade dos dados derivados de sensores e nas estratégias utilizadas para sua análise.

O big data na psiquiatria está na intersecção de três “megatendências”: um aumento nos gastos com pesquisa em neurociência; machine learning, que avançou maciçamente na última década; e medicina personalizada, já que o século atual verá cada vez mais previsão e tratamento no nível do indivíduo.

Foi assim que Danilo Bzdok (McGill University, Montreal, Quebec, Canadá) apresentou a discussão no ECNP 2020 Virtual. Há potencial, com certeza. Mas ele também identificou desafios. Um deles é um equilíbrio entre a facilidade de interpretação de um modelo de inteligência artificial e sua precisão.

A identificação precoce dos efeitos do tratamento é um objetivo alcançável

Em segundo lugar, na psiquiatria nos últimos anos, houve um fenômeno paradoxal: à medida que os conjuntos de dados aumentaram em tamanho, as ferramentas derivadas deles não aumentaram em poder preditivo. Porém não está claro por que isso acontece.

 

Descobertas potenciais, armadilhas potenciais

MMaria Faurholt-Jepsen (Copenhagen Affective Disorder Research Center, Dinamarca) acredita que a coleta em tempo real de dados objetivos – em oposição às respostas dadas pelos pacientes, muitas vezes retrospectivamente, a questionários em papel – fornece uma oportunidade emocionante para entender melhor os problemas psiquiátricos. Isso ocorre especialmente desta forma quando a percepção limitada faz parte do transtorno.

E uma de suas esperanças é que a coleta objetiva de dados de uma variedade de sensores nos permita investigar os efeitos da intervenção em um estágio mais cedo do que é possível.

Mas ela também admite desafios, sendo um deles a decisão sobre se as estratégias de análise de dados devem ser orientadas por hipóteses ou geradoras de hipóteses. Há descobertas potenciais, mas também armadilhas potenciais, ela observou.

 

Padrões ocultos em dados complexos

Existe euforia, mas a esperança é maior

Janaina Mourao-Miranda (Centre for Medical Image Computing, University College London, Reino Unido) argumentou que o aprendizado de máquina pode descobrir padrões ocultos em dados complexos, multimodais e longitudinais. Isso oferece a promessa de detecção precoce da doença, melhores resultados de tratamento através da identificação de subgrupos de pacientes e medicina mais personalizada.

Mas ela também observou que a maioria dos modelos são baseados em associações em vez de causalidade, e que não devemos tratá-los como uma "caixa preta", mas procurar entender por que eles preveem o que fazem e as suposições subjacentes.

Existe euforia, mas a esperança é maior, ela argumentou.

 

Fome por dados

Há também desafios éticos. Como as pessoas se sentem sobre a geração de  dados em massa – talvez por toda a vida – sem que isso pareça intrusivo? O anonimato pode ser garantido quando solicitado?

A expectativa não é o problema: é mais a fome de dados, que está sendo comprada por empresas em todo o mundo, argumentou Bart de Witte (Academia de Saúde Digital, Berlim, Alemanha). Na opinião dele, os dados não são uma mercadoria e sim pessoas, representam a vida humana.

Ele fez um apelo para que o big data na medicina não seja privatizado, e nem as descobertas derivadas dele. E ele defendeu o acesso público aos dados e ao conhecimento que eles trazem, assim como há acesso a software de código aberto.

 

Quer receber as novidades da Progress in Mind Brazil no seu celular?

Participe do nosso canal no Telegram clicando aqui e receba os novos conteúdos assim que forem publicados!

Our correspondent’s highlights from the symposium are meant as a fair representation of the scientific content presented. The views and opinions expressed on this page do not necessarily reflect those of Lundbeck.

Você está deixando Progress in Mind
Olá,
Por favor, confirme seu e-mail
Enviamos um link de confirmação para o seu endereço de email. Por favor, verifique sua caixa de entrada e/ou sua caixa de spam e clique no botão Confirmo meu endereço de email para obter acesso completo ao site.
As informações neste site são exclusivamente destinadas a profissionais de saúde.