RAWPIXEL.COM / BUSBUS - Arquivo
MADRID 9 set. (EUROPA PRESS) -
Uma equipe de pesquisadores da Universidade Politécnica de Madri (UPM) desenvolveu um sistema de inteligência artificial (IA) que “melhora a previsão clínica por meio do aprendizado federado e de dados sintéticos”, e isso “sem compartilhar históricos médicos reais e respeitando a privacidade dos pacientes”.
“Além do avanço técnico, o trabalho aponta para uma necessidade muito concreta do sistema de saúde: colaborar sem abrir mão da privacidade”, destacou Patricia A. Apellániz, membro do centro acadêmico, ressaltando que a ferramenta aplicada à medicina pode ajudar a estimar como um paciente evoluirá.
No entanto, na prática, os profissionais se deparam com um obstáculo: os hospitais nem sempre podem compartilhar dados clínicos reais. Além disso, muitas doenças geram conjuntos de dados pequenos, incompletos e muito distintos entre si, como é o caso das patologias raras.
SISTEMA ‘FEDSDS’
Por isso, os especialistas criaram o “FedSDS”, uma nova estratégia concebida para a análise de sobrevida. Dessa forma, o sistema busca prever o tempo que levará até que ocorra um evento clínico relevante, como uma recidiva, uma complicação ou o falecimento de um paciente.
Os resultados, publicados na revista especializada “Computers in Biology and Medicine”, “indicam um desempenho superior ao de modelos federados anteriores”, afirmaram representantes da UPM, ao mesmo tempo em que explicaram que a ferramenta e outras “poderiam facilitar que hospitais de diferentes tamanhos treinem modelos preditivos mais robustos sem centralizar as informações confidenciais de seus pacientes, algo especialmente valioso em doenças raras ou em ambientes com poucos casos disponíveis”.
Assim, o ‘FedSDS’ evita a transferência de prontuários médicos entre centros; em vez de compartilhar dados reais, cada um pode trabalhar com informações sintéticas geradas localmente, que reproduzem padrões estatísticos úteis sem expor diretamente os dados dos pacientes. Além disso, incorpora um mecanismo que seleciona, entre as referências sintéticas, aquelas mais semelhantes à realidade de cada hospital, o que permite uma melhor adaptação a contextos em que os dados são escassos ou desequilibrados.
Esta notícia foi traduzida por um tradutor automático