Português
- +

26/09/2018

Inteligência artificial fortalece elo entre pesquisa e políticas públicas

Municípios brasileiros que alcançam resultados melhores para a saúde da população são aqueles que mais investem em ações de atenção primária e que possuem as coberturas mais abrangentes em programas multidisciplinares através da Estratégia de Saúde da Família. A afirmativa, que pode não impressionar os estudiosos desta matéria, é resultado de uma das recentes intervenções em pesquisa clínica realizadas com uso de grandes bancos de dados analisados por computadores através de ferramentas de Machine Learning. Os dados foram publicados na última edição do Epidemiology Journal.

Autor do estudo, o professor da Faculdade de Saúde Pública da Universidade de São Paulo (USP) Alexandre Chiavegatto Filho (foto) acredita que a iniciativa representa um novo horizonte para a pesquisa dedicada a qualificar a saúde pública do país. “Algoritmos de machine learning podem auxiliar na tomada de decisão em todos os momentos do contato do paciente com o sistema de saúde”, explica.

Chiavegatto é diretor do Labdaps (Laboratório de Big Data e Análise Preditiva em Saúde), constituído na USP para viabilizar os estudos em saúde pública com recursos de inteligência artificial, e esteve em Porto Alegre no dia 13 de setembro, quando ministrou o Minicurso de Inteligência Artificial com Foco em Saúde, para um grupo de professores, pesquisadores e estudantes na Faculdade de Ciências Econômicas da UFRGS, além de conceder entrevista exclusiva para IATS News.

Doutor em Estatísticas de Saúde, o pesquisador demonstrou como grandes bancos de dados podem ser processados e analisados por máquinas em sistemas capazes de acionar habilidades semelhantes ao raciocínio humano. Para ele, no entanto, o país precisa avançar em qualidade. “Atualmente, o grande entrave que temos no Brasil é a carência de melhor qualidade em nossos bancos de dados em saúde, o que é fundamental para o desenvolvimento de algoritmos de qualidade”, pontuou.

No artigo recém publicado, intitulado Overachieving municipalities in public health: a machine-learning approach, Chiavegatto e seus colegas descrevem ter atingido um ganho de 35% no desempenho preditivo realizado por um conjunto de algoritmos de Machine Learning, na comparação com árvores de decisão padrão. O resumo do artigo e o link de acesso para sua leitura estão disponíveis abaixo da entrevista.

 

IATS NEWS - O que é Inteligência Artificial? E Machine Learning, qual a diferença?

CHIAVEGATTO - Inteligência artificial é simplesmente a capacidade de máquinas tomarem decisões inteligentes. Machine learning é a área que hoje domina a inteligência artificial e diz respeito à capacidade de máquinas criarem suas próprias regras para a tomada de decisão. Nem sempre foi o caso, até umas décadas atrás o mais comum era que máquinas tomassem decisões inteligentes a partir de regras definidas a priori por humanos.

 

IATS NEWS - Que tipo de estudos em saúde podem ser desenvolvidos através das técnicas de Machine Learning? O levantamento de dados epidemiológicos para tomada de decisão sobre políticas públicas e programas de saúde é uma dessas possibilidades?

CHIAVEGATTO - Com certeza. Nosso laboratório publicou recentemente um estudo que utilizou Machine Learning para identificar boas práticas de políticas públicas em saúde no Brasil. Esta tecnologia permite o uso de dados para melhorar a tomada de decisão. Então, pode ser aplicada em diversas áreas da saúde, como no auxílio ao diagnóstico de doenças, na identificação de prioridades de internação e em decisões sobre altas hospitalares, entre muitas outras possibilidades.

 

IATS NEWS - Como os editores de periódicos científicos têm avaliado os estudos realizados com as técnicas de Machine Learning? 

CHIAVEGATTO - Está avançando bastante. Os editores estão começando a ver que se trata de uma área com um potencial transformador em saúde muito grande.

 

IATS NEWS - Descreva algum exemplo de estudo que apresenta informações importantes para políticas em saúde e que, eventualmente, poderia inspirar iniciativas de gestão pública?

CHIAVEGATTO - Uma área em crescimento é a utilização de Machine Learning para selecionar participantes de programas sociais. Como não é possível inscrever todas as pessoas, é importante identificar aquelas que mais se beneficiarão dessa intervenção. Por exemplo, um artigo recente utilizou Machine Learning para selecionar grávidas com alto risco de apresentarem complicações no parto, com o objetivo de inscrevê-las em um programa público de prevenção de partos adversos e encontrou um importante ganho em relação às regras de seleção tradicionais.

 

IATS NEWS - Seu laboratório na USP trabalhou na identificação de experiências exitosas e boas práticas em políticas de saúde nos municípios do Brasil. O que o senhor pode destacar desse estudo?

CHIAVEGATTO - Publicamos recentemente esse artigo em que utilizamos Machine Learning para identificar boas práticas de políticas públicas de saúde. Chamamos essa estratégia de “predizer para identificar overachievers”, que pode ser também aplicada a hospitais e escolas..

 

IATS NEWS - O senhor fala em grandes oportunidades para quem aprender Machine Learning e também em bom e mau uso desse conhecimento. O que isso significa na perspectiva do trabalho e do desenvolvimento social?

CHIAVEGATTO - Machine Learning é uma técnica muito poderosa para ajudar na tomada de decisão, mas que muitas vezes pode ser utilizada para fins pouco éticos como, por exemplo, para impedir que as pessoas com mais necessidades tenham acesso a bens e serviços. Não existe a necessidade de ninguém da área trabalhar nisso, pois a demanda por profissionais que saibam utilizar Machine Learning é muito alta e há muitas oportunidades de utilizar esta tecnologia para melhorar nossa sociedade.

 

IATS NEWS - Indique algumas leituras úteis para quem deseja iniciar seu aprendizado?

CHIAVEGATTO - Recomendo para que iniciantes leiam o livro Applied Predictive Modelling (veja sugestão de leitura IATS) e que assistam meu curso no Canal USP do Youtube (links no final da reportagem).

 

RESUMO DO ARTIGO

FUNDO:

Identificar ideias e práticas bem-sucedidas de saúde pública é um desafio difícil devido à presença de características basais complexas que podem afetar os resultados de saúde. Propomos o uso de algoritmos de aprendizado de máquina para prever a expectativa de vida ao nascer e, então, comparar as características relacionadas à saúde dos sub ou superalcançados (isto é, municípios que apresentam um resultado pior e melhor que o previsto, respectivamente).

MÉTODOS:

Nosso resultado foi a expectativa de vida ao nascer para os municípios brasileiros e usamos como preditores 60 características locais que não são diretamente controladas por autoridades de saúde pública (por exemplo, fatores socioeconômicos).

RESULTADOS:

O desempenho preditivo mais alto foi alcançado por um conjunto de algoritmos de aprendizado de máquina (erro quadrático médio validado cruzado de 0,168), incluindo um ganho de 35% em comparação com árvores de decisão padrão. Overachievers apresentaram melhores resultados em relação à atenção primária à saúde, como a maior cobertura do massivo programa multidisciplinar da Estratégia Saúde da Família. Por outro lado, os underachievers realizaram mais partos cesáreos e mamografias e tinham mais equipamentos de saúde para suporte de vida.

CONCLUSÕES:

Os resultados sugerem que analisar o valor previsto de um desfecho de saúde pode trazer insights sobre boas práticas de saúde pública.

 

ABSTRACT

BACKGROUND:

Identifying successful public health ideas and practices is a difficult challenge due to the presence of complex baseline characteristics that can affect health outcomes. We propose the use of machine learning algorithms to predict life expectancy at birth, and then compare health-related characteristics of the under- and overachievers (i.e. municipalities that have a worse and better outcome than predicted, respectively).

METHODS:

Our outcome was life expectancy at birth for Brazilian municipalities and we used as predictors 60 local characteristics that are not directly controlled by public health officials (e.g. socioeconomic factors).

RESULTS:

The highest predictive performance was achieved by an ensemble of machine learning algorithms (cross-validated mean squared error of 0.168), including a 35% gain in comparison with standard decision trees. Overachievers presented better results regarding primary health care, such as higher coverage of the massive multidisciplinary program Family Health Strategy. On the other hand, underachievers performed more cesarean deliveries and mammographies, and had more life-support health equipment.

CONCLUSIONS:

The findings suggest that analyzing the predicted value of a health outcome may bring insights about good public health practices.

 

MATERIAL COMPLEMENTAR: Aulas de Alexandre Chiavegatto Filho no Youtube.

1) https://www.youtube.com/watch?v=y8em7JhKwhU
2) https://www.youtube.com/watch?v=eiZoEw-_GA0
3) https://www.youtube.com/watch?v=Uv2wb1Gyfns
4) https://www.youtube.com/watch?v=M3NhN_TEFWk
5) https://www.youtube.com/watch?v=KgL1vqzy7is
 
Texto e edição: Luiz Sérgio Dibe