Um sistema comercial foi testado em um extenso dataset contendo imagens de retina de pacientes do sistema público inglês, sendo capaz de reconhecer 98% dos casos leves e 100% dos casos moderados e graves.
Um modelo do tipo XGBoost foi treinado para identificar, a partir de seus perfis, se pacientes faltariam ou não ao exame marcado, e assim reconhecer os grupos de risco e as estratégias mais eficientes para melhorar esses indicadores.
O algoritmo usa dados de eletroencefalografia para analisar o cérebro como uma rede interconectada, e a partir das características de conexão, é capaz de prever quando os eventos de convulsão vão ocorrer.
O sistema de processamento de linguagem natural faz a transcrição de texto clínico falado, e depois estabelece a relação entre o texto e uma biblioteca padronizada de termos clínicos, sendo capaz de produzir conclusões de valor médico.
O modelo foi treinado para fazer o upscaling de imagens contendo 25% dos dados originais, o que implica em 1/4 do tempo necessário para sua aquisição, atingindo valor clínico comparável ao das imagens tradicionais.
Como alguns atributos faciais estão correlacionados com problemas cardíacos, o algoritmo foi treinado para classificar as fotografias em função do estado de saúde do paciente, atingindo desempenho melhor que outros modelos não-clínicos disponíveis.
O algoritmo é capaz de segmentar os pacientes de acordo com seu perfil clínico, assim orientando a equipe médica para prestar o tratamento mais adequado em cada caso, resultando em melhora de condições em 94% dos pacientes e redução da mortalidade pela metade.
O novo método não depende da marcação química das amostras; os features são obtidos por leitura no infravermelho, e um modelo do tipo random forest faz a classificação entre as duas tipologias possíveis, que têm tratamento clínico diferenciado.
Um primeiro modelo foi treinado para identificar a severidade da doença chamada degeneração macular relacionada à idade, com base em fotografias da retina. Os resultados desse modelo foram agregados a dados clínicos e sociodemográficos para treinar um segundo modelo, capaz de prever se a doença iria progredir para o estágio mais grave num período de até 2 anos.
O modelo foi treinado em dados de eletrocardiograma para detectar 6 das doenças cardíacas mais comumente avaliadas pelo exame, atingindo desempenho melhor do que de médicos residentes.
