Por Gabriel Lobitsky, diretor de vendas da Infor
Com a análise de dados é possível ensinar a máquina a agir de forma proativa para apoiar a medicina preventiva
Machine Learning pra todo lado! Não só na indústria, onde sua aplicação tem sido comum, mas em áreas bastante dependentes da intervenção humana, como finanças, logística e saúde. Especificamente para esta última, as técnicas avançadas de análise de dados e aprendizagem de máquina trazem um ganho exponencial: permitem olhar adiante e auxiliar a medicina preventiva. Você pode imaginar como isso muda o cenário dos negócios de companhias de convênio médico, consultórios e hospitais, se com base em dados de pacientes, fosse possível usar a análise de dados de uma maneira mais inteligente para sugerir cuidados preventivos em determinadas épocas do ano, ou até mesmo promover um estilo de vida mais saudável?
De forma prática, o machine learning é usado para modelar os algoritmos e dar respostas inteligentes a partir da análise avançada de dados, por isso, big data pode conter muitas informações e as respostas podem estar em poucos dados. O repertório de informações que os cientistas precisam podem ser encontrados em softwares e equipamentos médicos que emitem dados, e para alcançar o modelo de dados ideal é preciso modelar o algoritmo, refiná-lo, para que a máquina aprenda – com a ajuda do ser humano – a alcançar um modelo de eficiência e se tornar mais inteligente e proativa.
Então, imagine a seguinte situação: um convênio médico pode minerar os registros de dados que os hospitais emitem sobre seus pacientes por meio de um CRM (Customer Relationship Management). A partir das informações selecionadas, é possível criar campanhas e ações preventivas para um determinado grupo de clientes. Esses clientes podem ser trabalhadores de uma mesma empresa que tiveram dengue no verão. O convênio médico pode, proativamente, sugerir uma ação preventiva e informativa sobre a doença para evitar novos casos.
Então, não há dúvidas: o machine learning pode salvar vidas! Este ano, a Universidade da Flórida publicou uma pesquisa com esse viés – cujo impacto é tamanho que se tornou um dos estudos mais comentados ao redor do mundo. Você já deve ter visto, mas vale recordar que pesquisadores da instituição extraíram dados relacionados a pacientes que já tentaram se suicidar, a partir de prontuários eletrônicos, e utilizaram as técnicas de ML para identificar grupos de pessoas com tendências a tentar algo contra a própria vida. Os algoritmos de aprendizagem de máquina desenvolvidos por eles, são capazes de prever tentativas de suicídio com até 90% de precisão, até dois anos antes. Fantástico, não?
Em que passo estamos?
Hoje, no Brasil, o uso de machine learning é mais aplicado em recomendações para os consumidores como músicas, filmes, viagens, ofertas de produtos e serviços. No entanto, é preciso olhar para esse modelo de uma forma mais estratégica, porque o Brasil ainda enfrenta inúmeros problemas na área da saúde que a tecnologia, sozinha, não consegue resolver. São equipamentos antigos que não se comunicam, nem emitem informações; e por não ter interoperabilidade com softwares e outros sistemas, impedem que o machine learning seja usado em sua totalidade.
Com algoritmos matemáticos cada vez mais precisos e baseado nesse histórico de dados, a máquina consegue alertar sobre possíveis doenças, identificar grupos de tendências, entre outros fatores. A aprendizagem de máquinas pode ser aplicada por meio da ligação de cada registro de paciente, nos diferentes conjuntos de dados, automaticamente, para construir uma imagem mais completa da atividade.
O dado aqui é a força motriz. Com ele, as companhias de saúde podem ficar mais inteligentes, reinventar seus processos, criar novos modelos de negócios e serviços. E como a área da saúde pode se preparar para tudo isso? Definindo e planejando os dados: onde estão eles (prontuários, wearables, aplicativos móveis)? De maneira geral, grandes companhias já têm seus CIOs olhando para isso. E as que não têm? Recomendo fortemente que o façam!
Machine Learning pra todo lado! Não só na indústria, onde sua aplicação tem sido comum, mas em áreas bastante dependentes da intervenção humana, como finanças, logística e saúde. Especificamente para esta última, as técnicas avançadas de análise de dados e aprendizagem de máquina trazem um ganho exponencial: permitem olhar adiante e auxiliar a medicina preventiva. Você pode imaginar como isso muda o cenário dos negócios de companhias de convênio médico, consultórios e hospitais, se com base em dados de pacientes, fosse possível usar a análise de dados de uma maneira mais inteligente para sugerir cuidados preventivos em determinadas épocas do ano, ou até mesmo promover um estilo de vida mais saudável?
De forma prática, o machine learning é usado para modelar os algoritmos e dar respostas inteligentes a partir da análise avançada de dados, por isso, big data pode conter muitas informações e as respostas podem estar em poucos dados. O repertório de informações que os cientistas precisam podem ser encontrados em softwares e equipamentos médicos que emitem dados, e para alcançar o modelo de dados ideal é preciso modelar o algoritmo, refiná-lo, para que a máquina aprenda – com a ajuda do ser humano – a alcançar um modelo de eficiência e se tornar mais inteligente e proativa.
Então, imagine a seguinte situação: um convênio médico pode minerar os registros de dados que os hospitais emitem sobre seus pacientes por meio de um CRM (Customer Relationship Management). A partir das informações selecionadas, é possível criar campanhas e ações preventivas para um determinado grupo de clientes. Esses clientes podem ser trabalhadores de uma mesma empresa que tiveram dengue no verão. O convênio médico pode, proativamente, sugerir uma ação preventiva e informativa sobre a doença para evitar novos casos.
Então, não há dúvidas: o machine learning pode salvar vidas! Este ano, a Universidade da Flórida publicou uma pesquisa com esse viés – cujo impacto é tamanho que se tornou um dos estudos mais comentados ao redor do mundo. Você já deve ter visto, mas vale recordar que pesquisadores da instituição extraíram dados relacionados a pacientes que já tentaram se suicidar, a partir de prontuários eletrônicos, e utilizaram as técnicas de ML para identificar grupos de pessoas com tendências a tentar algo contra a própria vida. Os algoritmos de aprendizagem de máquina desenvolvidos por eles, são capazes de prever tentativas de suicídio com até 90% de precisão, até dois anos antes. Fantástico, não?
Em que passo estamos?
Hoje, no Brasil, o uso de machine learning é mais aplicado em recomendações para os consumidores como músicas, filmes, viagens, ofertas de produtos e serviços. No entanto, é preciso olhar para esse modelo de uma forma mais estratégica, porque o Brasil ainda enfrenta inúmeros problemas na área da saúde que a tecnologia, sozinha, não consegue resolver. São equipamentos antigos que não se comunicam, nem emitem informações; e por não ter interoperabilidade com softwares e outros sistemas, impedem que o machine learning seja usado em sua totalidade.
Com algoritmos matemáticos cada vez mais precisos e baseado nesse histórico de dados, a máquina consegue alertar sobre possíveis doenças, identificar grupos de tendências, entre outros fatores. A aprendizagem de máquinas pode ser aplicada por meio da ligação de cada registro de paciente, nos diferentes conjuntos de dados, automaticamente, para construir uma imagem mais completa da atividade.
O dado aqui é a força motriz. Com ele, as companhias de saúde podem ficar mais inteligentes, reinventar seus processos, criar novos modelos de negócios e serviços. E como a área da saúde pode se preparar para tudo isso? Definindo e planejando os dados: onde estão eles (prontuários, wearables, aplicativos móveis)? De maneira geral, grandes companhias já têm seus CIOs olhando para isso. E as que não têm? Recomendo fortemente que o façam!
PT 
EN 
