A medicina, por mais que apresente soluções para diversos problemas, pode sofrer com as variáveis para a detecção de doenças. O diagnóstico depende, principalmente, de saber quais condições causam quais sintomas; o tratamento depende do conhecimento dos efeitos de diferentes drogas ou mudanças no estilo de vida.

Isso cria uma riqueza de dados médicos, mas que, muitas vezes, não são usados e acabam deixados de lado. Computadores podem ser usados para detectar padrões nesses resultados, mas eles podem não ser muito precisos, principalmente em diagnósticos médicos.

Por esse motivo, Anish Dhir e Ciarán Lee, da Babylon Health, uma provedora de serviços de saúde digital, criaram uma técnica específica para encontrar relações causais em diferentes conjuntos de dados.

Essa técnica pode permitir que grandes bancos de dados inexplorados sejam analisados para definir causas e efeitos de certas doenças – e possivelmente a descoberta de novos vínculos causais. A ideia é integrar a criação dos pesquisadores a um serviço já existente da empresa de saúde.

A Babylon Health oferece um aplicativo baseado em chatbot que solicita que o usuário liste seus sintomas antes de responder com um diagnóstico e conselhos sobre tratamento. O objetivo é filtrar as pessoas que realmente precisam consultar um médico.

Entretanto, médicos alertam que, às vezes, o sistema não detecta sinais de doenças graves – mesmo que eles existam. Mesmo sob esse cenário, a empresa declarou que o diagnóstico pode ser “mais preciso que o de um médico”.

Em 2018, um estudo publicado na revista científica The Lancet apontou que a afirmação da companhia não era apenas falsa, mas que o aplicativo “poderia ter um desempenho significativamente pior”.

A integração dessa técnica ao aplicativo de chatbot pode fazer com que a capacidade de identificar relações causais em dados médicos melhore a inteligência artificial (IA) de diagnósticos por trás do chatbot. Entretanto, a técnica também poderia sobrecarregar o serviço que a Babylon Health oferece. Mesmo assim, ambos pretendem seguir em frente com a ideia.

Como a técnica funciona

O método não usa aprendizado de máquina, mas é inspirado em criptografia quântica, na qual uma fórmula matemática pode ser usada para provar as relações entre causa e sintomas.

O sistema foi testado em conjuntos de dados em que as relações causais já eram conhecidas, como dois conjuntos que medem o tamanho e a textura dos tumores de mama. A IA descobriu corretamente que o tamanho e textura não tinham um nexo de causalidade entre si, mas que ambos foram determinados em função do tumor ser maligno ou benigno.

Se os dados brutos estiverem disponíveis, o algoritmo pode identificar relações causais entre variáveis, assim como um estudo clínico. Em vez de procurar causas executando um novo exame, o software pode fazer isso usando dados existentes.

Via: Technology Review