A inteligência artificial tem sido de pouca utilidade para o diagnóstico de covid-19

Por

Imagem padrão do novo cientista

Michelle D’urbano

NÃO HÁ nenhum problema que a inteligência artificial não possa resolver? Métodos como o aprendizado profundo estão encontrando usos em tudo, desde algoritmos que recomendam o que você deve comprar ao lado daqueles que preveem os hábitos de votação de alguém. O resultado é que a IA desenvolveu uma reputação um tanto mística como uma ferramenta que pode digerir muitos tipos diferentes de dados e prever com precisão muitos resultados diferentes, uma habilidade que poderia ser de uso particular para resolver problemas anteriormente impenetráveis ​​na área da saúde.

No entanto, a IA não é uma panacéia. Muitas vezes, ele é ativado muito rapidamente e de forma impulsiva, resultando em alegações de que funciona quando não funciona. Isso se tornou cada vez mais aparente durante a pandemia covid-19, quando muitos pesquisadores de IA tentam a saúde – sem muito sucesso.

Não é de se admirar que muitas pessoas pensem que a saúde é uma área promissora para IA, já que os hospitais geram muitos dados, dos quais o aprendizado profundo depende. A parceria já deu frutos, com sistemas de IA capazes de ajudar a identificar o câncer mais cedo e prever melhor a quais tratamentos as pessoas responderão.

Nos estágios iniciais da pandemia, houve um dilúvio de publicações tentando fazer o mesmo para covid-19. Em particular, há centenas de artigos afirmando que as técnicas de aprendizado de máquina podem usar varreduras de tórax para diagnosticar rapidamente o covid-19 e prever com precisão como os pacientes se sairão.

Meus colegas e eu analisamos todos os artigos publicados entre 1 de janeiro de 2020 e 3 de outubro de 2020 e descobrimos que nenhum deles produziu ferramentas que seriam boas o suficiente para uso em um ambiente clínico (Nature Machine Intelligence, doi.org/gjkjvw) . Algo deu muito errado quando mais de 300 artigos publicados sem nenhum benefício prático.

Nossa revisão descobriu que frequentemente havia problemas em todos os estágios do desenvolvimento das ferramentas mencionadas na literatura. Os próprios artigos muitas vezes não incluíam detalhes suficientes para reproduzir seus resultados.

Outra questão foi que muitos dos artigos introduziram vieses significativos com o método de coleta de dados, o desenvolvimento do sistema de aprendizado de máquina ou a análise dos resultados. Por exemplo, uma proporção significativa de sistemas projetados para diagnosticar covid-19 a partir de radiografias de tórax foram treinados em adultos com covid-19 e crianças sem ele, então seus algoritmos eram mais propensos a detectar se um raio-X veio de um adulto ou uma criança do que se essa pessoa tivesse covid-19.

Embora os autores possam ter sido motivados pelo desejo de desenvolver modelos que pudessem ajudar as pessoas, em sua pressa, muitas das publicações não levaram em consideração como, ou se, esses modelos poderiam passar por requisitos regulamentares para serem usados ​​na prática.

Os artigos também sofrem com o viés de publicação para resultados positivos. Por exemplo, imagine um grupo de pesquisa teórica que desenvolve cuidadosamente um modelo de aprendizado de máquina para prever covid-19 a partir de uma radiografia de tórax e descobre que isso não supera os testes padrão para a doença. Esta descoberta não interessa a muitos periódicos e é difícil de comunicar. É muito mais fácil desenvolver um modelo com pouco rigor que dê um desempenho excelente e publicá-lo.

Embora o aprendizado de máquina seja uma grande promessa para encontrar soluções para muitos problemas de saúde, isso deve ser feito com tanto cuidado quanto quando desenvolvemos outras ferramentas na área de saúde.

Se tomarmos tanto cuidado no desenvolvimento de modelos de aprendizado de máquina quanto fazemos com os ensaios clínicos, não há razão para que esses algoritmos não se tornem parte do uso clínico de rotina e nos ajudem a buscar o ideal de vias de tratamento mais personalizadas. Mas não há pressa nisso.

Mais sobre esses tópicos:

Leave a Reply

Your email address will not be published. Required fields are marked *