De acordo com o investigador e coordenador científico da licenciatura de Informática do Instituto Superior Miguel Torga, Ricardo Cardoso Pereira, este modelo de IA, que contribui para um aumento de até 9% da capacidade preditiva da inteligência artificial, foi desenvolvido em conjunto com investigadores das universidades de Coimbra e do Porto.

“Tem por objetivo melhorar a qualidade dos dados, atacando várias frentes. Uma delas é a imputação dos dados, que muitas vezes estão em falta”, esclareceu.

Segundo o investigador, ao melhorar-se a qualidade dos dados, este modelo de inteligência artificial consegue fazer “melhores previsões, mais acertadas e menos enviesadas”.

“Este modelo de IA é genérico, pode ser aplicado a qualquer tipo de dados, mas nós estudámos o impacto dele nos dados médicos”, acrescentou.

Intitulada ‘Siamese Autoencoder Architecture for the Imputation of Data Missing Not at Random’, esta investigação, publicada no Journal of Computational Science, apresenta um novo ‘autoencoder siamês’: um modelo de Inteligência Artificial que “aprende e reconhece padrões, completa informação nos dados em falta e é capaz de superar as limitações dos métodos convencionais”.

A ‘Siamese Autoencoder-based Approach for Imputation’ (SAEI) “reduz erros que resultam de falhas na informação, garantindo desta forma diagnósticos médicos mais fiáveis”.

Ao todo, foram realizados testes em 14 conjuntos de dados do setor da saúde e “todos demonstraram a superioridade do modelo SAEI em relação aos métodos tradicionais”, como estratégias de base estatística utilizadas para o mesmo fim.

Quanto à sua aplicabilidade clínica, o ‘Siamese Autoencoder-based Approach for Imputation’ revela-se como “um recurso essencial para a classificação de doenças: aumenta a precisão diagnóstica e reforça a segurança na medicina baseada em dados”.

O ‘Siamese Autoencoder-based Approach for Imputation’ pode ser integrado numa ferramenta de apoio à decisão dos profissionais de saúde e já está disponível para ser utilizado de forma gratuita.

“Conseguimos ajudar a detetar se um paciente tem ou não uma patologia, se um tratamento vai ou não ter sucesso”, referiu.

Segundo o investigador, os profissionais de saúde podem aplicar este modelo como complemento a outros sistemas de classificação e conseguem prever com maior precisão as chances de sucesso desses tratamentos.

Com esta tecnologia, “é possível acelerar o processo de identificação de anomalias cardíacas em fetos através de cardiotocografias” e, caso das doenças cardíacas, a investigação “ajuda também na identificação do risco e da presença de doença cardíaca coronária”.

A investigação estende-se, em paralelo, à deteção do cancro, especialmente o cancro da mama.

“A integração destes recursos de IA representa um avanço significativo na medicina de diagnóstico”.

Em declarações à agência Lusa, Ricardo Cardoso Pereira explicou que os modelos de inteligência artificial atuais alimentam-se dos dados para aprender e fazer previsões futuras, mas, no entanto, quando os dados não têm qualidade, as previsões que fazem também não vão ser boas.

“O objetivo passa por estimarmos os dados em falta e passarmos a ter os dados completos. Estes dados completos partem do princípio de que estamos a trabalhar com estimativas e um certo nível de erro, mas é sempre melhor do que ter os dados incompletos”.