A sequência de DNA que compõe o genoma humano contém informação sobre nossa história evolutiva. Por exemplo, cerca de 8% do nosso genoma atual é originário de infecções virais que aconteceram ao longo dos milênios. Essas inserções podem ter efeito negativo quando, por exemplo, causam uma mutação em um gene relacionado à reprodução celular, caso …
IA descobre novas mutações relacionadas ao surgimento de câncer Leia mais »
A plataforma do Ministério da Saúde vai centralizar o armazenamento dos dados médicos de toda a população, o que permite o emprego de inteligência artificial para tomadas de decisão mais eficientes.
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.
