Durante a tarde da última sexta-feira, 21 de março, a professora Deborah Carvalho Malta participou do workshop CI-IA Saúde (Centro de Inovação em Inteligência Artificial para a Saúde), apresentando o projeto: “O uso de modelos preditivos de inteligência artificial na prevenção de Doenças Crônicas não Transmissíveis”.
Ela afirmou que o objetivo do projeto é desenvolver modelos, técnicas e soluções em IA para identificar, analisar e prever a ocorrência de Doenças Crônicas Não Transmissíveis (DCNT) em grupos populacionais, considerando aspectos éticos de privacidade e segurança. “Pretendemos produzir estimativas de indicadores de doenças crônicas não transmissíveis e seus fatores de risco e proteção, para estratos geográficos no território Nacional, predizer riscos de adoecimento e morte por DCNT por agrupamentos de setores censitários e áreas de abrangência em Belo Horizonte e desenvolver modelos de predição com um bom compromisso entre eficácia e atendimento a diferentes aspectos éticos e de legislação relacionados e que sejam robustos a diferentes níveis”.
De acordo com a professora, entre as ações já realizadas pelo projeto, destaca-se a utilização de Machine Learnings (máquinas de aprendizagem) para obtenção de clusters de vulnerabilidade, derivados do Índice de Vulnerabilidade à Saúde (IVS), exemplificados em artigos que constataram menor prevalência de prática de atividade física no lazer e menor consumo recomendado de frutas e hortaliças em regiões mais vulneráveis de Belo Horizonte. Está em andamento o uso de técnicas de Inteligência Artificial (I.A) para gerar dados sintéticos com a mesma natureza dos dados reais, visando ampliar a amostra disponível e ter resultados mais confiáveis. A geração de dados sintéticos poderá ser muito usada para possibilitar que inquéritos possam estimar prevalências mais confiáveis em pequenas áreas, isto aumenta a nossa capacidade analítica”, afirmou.
Deborah pontuou que o projeto visa, ainda, novas análises que buscam em parceria com a UNIMED demandar bases que incluam prontuário eletrônico e então, a partir de algoritmos de Machine Learning poder realizar modelos de predição de diabetes e predição de eventos graves em diabetes.