A aprendizagem de máquinas tem um enorme potencial na área da saúde, com base na grande quantidade de dados disponíveis e na objetividade dos mesmos. Esta tecnologia já se mostrou útil no diagnóstico e na eficiência da codificação médica, mas ainda há muito a ser explorado.
A área da saúde está repleta de dados complexos armazenados em vários locais e em constante evolução. Isso a torna um excelente alvo para a inteligência artificial, mais especificamente, a aprendizagem de máquinas. A Universidade de Oxford define aprendizagem de máquinas como 'o uso e desenvolvimento de sistemas computacionais capazes de aprender e adaptar-se sem seguir instruções explícitas, utilizando algoritmos e modelos estatísticos para analisar e tirar inferências a partir de padrões nos dados.'
Nos últimos anos, a aprendizagem de máquinas já se mostrou útil no diagnóstico e pode ajudar na eficiência da codificação médica. No entanto, existem muitos outros campos onde a aprendizagem de máquinas pode ser útil, mas ainda não avançou. Por que isso ocorre? Harshith Ramesh, co-CEO da Episource, uma empresa de serviços e software de ajuste de risco para grupos médicos e planos de saúde, e especialista em aprendizagem de máquinas, discute o motivo pelo qual a aprendizagem de máquinas é um excelente ajuste para a área da saúde, como tem ajudado até agora no diagnóstico e na codificação e, o mais importante, o que está impedindo seu avanço na saúde.
De acordo com Ramesh, a área da saúde é singularmente preparada para a aprendizagem de máquinas devido ao aumento exponencial no volume de dados de pacientes nas últimas duas décadas. Cerca de 30% dos dados mundiais são gerados pela indústria da saúde. Isso se deve, em parte, à crescente adoção do prontuário eletrônico do paciente, que começou a ganhar tração na década de 1990. A digitalização das informações dos pacientes não só aumentou a quantidade de dados disponíveis, mas também os tornou facilmente acessíveis para aplicações de aprendizagem de máquinas. Além dos prontuários eletrônicos, os dados de saúde também estão sendo gerados por um número crescente de fontes, como dispositivos médicos, wearables, centrais de dados, laboratórios e consultórios médicos. Essa abundância de dados é crucial para que os modelos de aprendizagem de máquinas se tornem mais precisos na previsão de resultados de pacientes, ajudando as organizações de saúde a desenvolver um quadro mais abrangente da saúde do paciente ao longo do tempo.
Os dados de saúde também são mais objetivos por natureza do que os dados gerados por outras indústrias, o que os torna especialmente compatíveis com a tecnologia de aprendizagem de máquinas. Isso se deve aos procedimentos padronizados, sistemas automatizados, codificadores médicos e médicos especialistas - que contribuem para remover o máximo de subjetividade possível dos dados. Por exemplo, a indústria estabeleceu conjuntos de dados padronizados que as organizações de saúde devem usar, como códigos da Classificação Internacional de Doenças (CID-10) para informações de diagnóstico ou códigos nacionais de medicamentos (NDCs) para identificação de medicamentos. Regulamentações em torno de como as organizações de saúde podem armazenar e transportar dados dentro dos prontuários eletrônicos também facilitaram a análise dos modelos alimentados por aprendizagem de máquinas, descobrir tendências e aplicar algoritmos para melhorar.
