Uma das maiores limitações para o uso de ferramentas baseada em inteligência artificial no ambiente clinico é a dificuldade de replicar os mesmos resultados quando elas são aplicadas com dados gerados em outras condições. Modelos generalizáveis devem ser treinados com dados de origem diversa, assim garantindo que eles estão de fato aprendendo características do fenômeno em estudo, e não apenas de uma parte representada pela amostra analisada. Mas o treinamento com dados de uma natureza mais universal encontra outro entrave, a preocupação com privacidade. Coordenar os esforços em escala mundial para projetos tão amplos pode ser mais difícil do que a pesquisa em si.
Por isso está sendo bem recebido um trabalho publicado em setembro, coordenado pelo Hospital Addenbrooke, em Cambridge, no Reino Unido. Ainda como parte dos cuidados relacionados à COVID-19, a pesquisa envolveu dados da América do Sul, América do Norte, Europa e Ásia para prever as necessidades de oxigênio de pacientes internados com a enfermidade. O problema da privacidade foi resolvido com a técnica chamada de aprendizado federado, onde não são os dados que são apresentados ao modelo, mas pelo contrário, o modelo é que é levado até os bancos de dados, assim evitando que dados sensíveis individualizados trafeguem pela internet. Os modelos treinados nessas circunstâncias são então agrupados para produzir a ferramenta final capaz de fazer predições com alto poder de generalização.
O método, batizado de EXAM, analisou raios-X de pulmão e dados de saúde eletrônicos dos pacientes, e na fase de avaliação, atingiu sensitividade de 95% e especificidade de 88% na predição das necessidades de oxigênio dentro de 24 horas depois do internamento de um paciente.
Este é um dos maiores e mais diversos estudos clínicos utilizando aprendizado federado até hoje, cobrindo cerca de 10 mil pacientes ao redor do mundo. Além dos benefícios à área clínica, o estudo é um exemplo de sucesso do uso da técnica para resolver problemas complexos que exigem dados em uma escala global, sem sacrificar a privacidade dos proprietários dos dados. O avanço da técnica deve agilizar o desenvolvimento de ferramentas de inteligência artificial que dependem de dados de natureza universal.
