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.
O modelo foi treinado com marcadores sanguíneos que se mostraram elevados em pacientes que morreram em função da infecção pelo novo coronavírus, e com dados demográficos que representam fatores de risco. Agora, um aplicativo disponível à comunidade médica usa o modelo para fazer predições de severidade em tempo real.
Inspirados por um trabalho do ano passado relatando sucesso na predição de transplante de rim bem sucedido, uma empresa canadense está iniciando um programa para treinar um modelo mais robusto, a ser disponibilizado para auxiliar o paciente recipiente na hora de decidir entre um órgão disponível ou esperar por maior compatibilidade.
