Machine Learning para todo lado! Não só na indústria, em que 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 muda o cenário dos negócios de companhias de convênio médico, consultórios e hospitais, se fosse possível usar a análise de dados dos pacientes de uma maneira mais inteligente, para sugerir cuidados preventivos em determinadas épocas do ano ou 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, o 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 e refiná-lo. Dessa maneira, a máquina aprenderá – com a ajuda do ser humano – a alcançar um modelo de eficiência, tornando-se 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, criam-se 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.
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 passou a ser 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?
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 terem interoperabilidade com softwares e outros sistemas, impedem que o machine learning seja usado em sua totalidade.
Com algoritmos matemáticos cada vez mais precisos e baseados nesse histórico de dados, a máquina consegue alertar sobre possíveis doenças e 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!
*Gabriel Lobitsky é diretor de vendas da Infor para Brasil e Sul da América do Sul