As máquinas podem aprender não apenas a fazer previsões, mas também a lidar com relações de causalidade. Uma equipe internacional de pesquisa mostra como isso pode tornar as terapias mais seguras, eficientes e individualizadas.
A inteligência artificial está avançando na área médica. Quando se trata de técnicas de imagem e cálculo de riscos à saúde, há uma infinidade de métodos de IA em fases de desenvolvimento e teste. Onde quer que se trate de reconhecer padrões em grandes volumes de dados, espera-se que as máquinas tragam grandes benefícios à humanidade. Seguindo o modelo clássico, a IA compara informações com exemplos aprendidos, tira conclusões e faz extrapolações.
Agora, uma equipe internacional liderada pelo Professor Stefan Feuerriegel, Chefe do Instituto de Inteligência Artificial (IA) em Gestão da LMU, está explorando o potencial de um ramo comparativamente novo da IA para diagnóstico e terapia. O aprendizado de máquina causal (ML) pode estimar os resultados do tratamento – e fazê-lo melhor do que os métodos de ML geralmente usados até hoje? Sim, diz um estudo marcante do grupo, publicado na prestigiada revista Nature Medicine: o ML causal pode melhorar a eficácia e a segurança dos tratamentos.
Em particular, a nova variante de aprendizado de máquina oferece “uma abundância de oportunidades para personalizar estratégias de tratamento e, assim, melhorar individualmente a saúde dos pacientes”, escrevem os pesquisadores, que vêm de Munique, Cambridge (Reino Unido) e Boston (Estados Unidos) e incluem Stefan Bauer e Niki Kilbertus, professores de ciência da computação na Universidade Técnica de Munique (TUM) e líderes de grupo na Helmholtz AI.
Quanto à assistência de máquinas nas decisões terapêuticas, os autores antecipam um salto decisivo na qualidade. O ML clássico reconhece padrões e descobre correlações, argumentam. No entanto, o princípio causal de causa e efeito permanece fechado para as máquinas, como regra; elas não podem responder à pergunta do porquê. E, no entanto, muitas perguntas que surgem ao tomar decisões terapêuticas contêm problemas causais. Os autores ilustram isso com o exemplo do diabetes: o ML clássico visaria prever a probabilidade de uma doença para um determinado paciente com uma série de fatores de risco. Com o ML causal, seria idealmente possível responder como o risco muda se o paciente receber um medicamento antidiabético; ou seja, avaliar o efeito de uma causa (prescrição de medicação). Também seria possível estimar se outro plano de tratamento seria melhor, por exemplo, do que o medicamento comumente prescrito, a metformina.
Para poder estimar o efeito de um tratamento – hipotético –, no entanto, “os modelos de IA precisam aprender a responder a perguntas do tipo ‘E se?’”, diz Jonas Schweisthal, candidato a doutorado na equipe de Feuerriegel. “Nós damos à máquina regras para reconhecer a estrutura causal e formalizar corretamente o problema”, diz Feuerriegel. Então, a máquina tem que aprender a reconhecer os efeitos das intervenções e entender, por assim dizer, como as consequências da vida real são refletidas nos dados que foram inseridos nos computadores.
Mesmo em situações para as quais padrões de tratamento confiáveis ainda não existem ou onde estudos randomizados não são possíveis por razões éticas, pois sempre contêm um grupo placebo, as máquinas ainda poderiam avaliar os resultados potenciais do tratamento a partir dos dados disponíveis dos pacientes e, assim, formar hipóteses para possíveis planos de tratamento, esperam os pesquisadores. Com tais dados do mundo real, geralmente seria possível descrever as coortes de pacientes com precisão cada vez maior nas estimativas, aproximando assim as decisões de terapia individualizadas. Naturalmente, ainda haveria o desafio de garantir a confiabilidade e a robustez dos métodos.
“O software que precisamos para métodos de ML causal na medicina não existe pronto”, diz Feuerriegel. Em vez disso, é necessária uma “modelagem complexa” do respectivo problema, envolvendo “estreita colaboração entre especialistas em IA e médicos”. Assim como seus colegas da TUM, Stefan Bauer e Niki Kilbertus, Feuerriegel também pesquisa questões relacionadas à IA na medicina, tomada de decisões e outros tópicos no Munich Center for Machine Learning (MCML) e na Konrad Zuse School of Excellence in Reliable AI. Em outros campos de aplicação, como marketing, explica Feuerriegel, o trabalho com ML causal já está em fase de testes há alguns anos. “Nosso objetivo é aproximar os métodos da prática. O artigo descreve a direção em que as coisas podem avançar nos próximos anos.”
