Foto: Envato
Três projetos envolvendo pesquisadores da PUCRS foram integrados ao Centro de Inovação em Inteligência Artificial para Saúde (CIIA-Saúde) da Universidade Federal de Minas Gerais (UFMG). A rede atua com pesquisa e desenvolvimento de soluções avançadas de inteligência artificial (IA) para auxiliar profissionais de saúde no diagnóstico e tratamento de doenças e orientar gestores na programação de ações de prevenção e organização da assistência à saúde. Atualmente, mais de dez pesquisadores participam através do Centro de Pesquisa, Ensino e Inovação em Ciência de Dados (CCD) da PUCRS, com o objetivo de otimizar os recursos e melhorar a atenção à saúde da população no Brasil.
A pesquisa em IA no CIIA-Saúde se organiza nas quatro linhas: Ética e Valores Humanos, Modelos e Algoritmos, Gerenciamento e Engenharia de Dados, e Sistemas Computacionais. Os novos projetos contemplados da PUCRS abordam a importância da vacinação da população, prevenção do tempo de internação e um novo modelo de aprendizado de dados para a área da saúde. De acordo com a pesquisadora da Escola Politécnica Soraia Musse, também coordenadora de um dos projetos, as aplicações do Centro englobam apoio ao diagnóstico, simuladores e logística nos hospitais.
“Dados os desenvolvimentos atuais na área da tecnologia e a possibilidade de melhoria de processos da área da saúde, o centro de saúde representa um avanço nessa área de aplicação. Espera-se que do CI-IA várias aplicações, softwares e empreendimento possam ser criados”, pontua.
Foto: Envato
Este projeto conta com a parceria da Universidade Federal de Ciências da Saúde de Porto Alegre (UFCSPA) e a FioCruz. O objetivo é desenvolver um jogo para adultos para conscientizar sobre a importância da vacinação, principalmente na prevenção das doenças poliomielite e sarampo. Utilizando dados históricos, será apresentada a importância da vacinação em cenários de simulação de contágio, onde as pessoas poderão interagir com o jogo mudando as taxas de vacinação.
A iniciativa surgiu de uma rede de colaboração chamada CIARS, financiada pela FAPERGS, que incluem UFCSPA, UFRGS, UPF, UFSM, UFAM, UFSC, e as startups NoHarm.ai e Epigênica, com coordenação do pesquisador da Escola Politécnica Rafael Bordini da PUCRS. O projeto visa confirmar a hipótese de que métodos de ciência de dados e aprendizado de máquina (machine learning) permitem prever os desfechos e o tempo de internação de pacientes hospitalizados, impactando na gerência de recursos hospitalares.
Seu objetivo é também iniciar o desenvolvimento de protótipos de sistemas inteligentes inovadores para a gerência de leitos hospitalares. Tais sistemas podem ser utilizados em hospitais para a gerência de leitos e avaliação de custo de internação, além de auxiliar a gerência de internações em operadoras de planos de saúde e pelo Sistema Único de Saúde (SUS) para controle de ocupação, especialmente em regiões metropolitanas onde os recursos são frequentemente escassos.
O terceiro projeto será coordenado pelo pesquisador da Escola Politécnica Rodrigo Barros. Nele, objetivo é criar um foundation model (FM), rede neural de tamanho massivo, para modelar dados de saúde envolvendo majoritariamente as modalidades de imagens e textos. Conforme explica Barros, existe um alto custo associado a criar modelos de aprendizado de máquina que possam auxiliar nos mais variados tipos de tarefas. Dado um problema de interesse, é necessário coletar uma quantidade grande de dados referentes ao problema em questão, escolher e calibrar o modelo e validar no contexto de aplicação.
De acordo com o docente, este processo faz com que a adoção dessas tecnologias seja feita de forma muito mais lenta do que o necessário ou desejado. Nesse sentido, nos últimos anos foi introduzido o conceito de Foundation Models (FMs), modelos gerados a partir de arquiteturas de redes neurais de grande porte treinadas em volumes massivos de dados. Estes modelos são capazes de aprender representações robustas e genéricas de uma ou mais modalidades de dados de interesse, e usufruem de uma série de vantagens provenientes do processamento massivo de dados.
Além disso, os modelos permitem, em um segundo momento, serem calibrados para resolver tarefas específicas com reduzido esforço computacional e de coleta de dados. Dada uma nova tarefa e respectivo conjunto de exemplos, os FMs podem ser refinados e customizados para a tarefa em questão com recursos muito inferiores àqueles necessários para criar o modelo do zero, como explica o professor Rodrigo.
“O modelo aprenderá a representar dados provenientes da área da saúde – imagens médicas como ressonância magnética e tomografia computadorizada, por exemplo, com seus respectivos laudos e informações associadas ao paciente – e, depois, pode ser customizado para tarefas de interesse das instituições parceiras”, explica o pesquisador.
Leia também: 10 pesquisadores da PUCRS estão entre os mais influentes do mundo
