‘IA’ Explicável Criada Para Diagnosticar e Tratar Crianças Com Experiências Adversas na Infância

Pesquisadores do Laboratório Oak Ridge criaram recentemente um sistema de IA destinado a facilitar o diagnóstico e tratamento de indivíduos que sofreram adversidades significativas na infância. De acordo com The Next Web, o sistema de IA é projetado para ser “explicável”, ao contrário de muitos modelos de IA que são caixas pretas, retornando trechos dos dados usados para renderizar suas decisões.

O termo “Experiência Adversa na Infância” (ACEs) se refere a eventos traumáticos que ocorrem com as pessoas antes dos 18 anos e inclui todas as formas de abuso e negligência, bem como encarceramento, abuso de substâncias, violência doméstica contra um pai, e doença mental de um pai. As ACEs podem ter efeitos de longo prazo no desenvolvimento e bem-estar das pessoas, e, como muitos problemas de saúde, a detecção e tratamento precoces podem melhorar os resultados para as pessoas envolvidas. O tipo de intervenções eficazes para aqueles que sofreram ACEs é bem conhecido e bem estudado, mas as agências de tratamento de saúde mental frequentemente carecem de recursos para diagnosticar uma pessoa e acompanhá-la durante todo o curso do tratamento.

O sistema de IA foi desenvolvido por dois pesquisadores médicos do Laboratório Nacional Oak Ridge da Universidade do Tennessee, Nariman Ammar e Arash Shaban-Nejad. Em um artigo pré-impresso recentemente lançado através do JMIR Medical Informatics, a equipe de pesquisa descreveu o desenvolvimento e teste de seu modelo de IA, que é projetado para ajudar os profissionais de saúde a diagnosticar e tratar aqueles afetados pelas ACEs.

O modelo de IA é destinado a sugerir certas intervenções aos profissionais de saúde, tornando mais fácil para os profissionais ajudar as pessoas que sofrem de ACEs. O processo atual para obter tratamento para uma pessoa que sofre de ACE é longo e complexo. Para diagnosticar pessoas afetadas pelas ACEs, os profissionais de saúde devem receber treinamento avançado sobre o tipo correto de perguntas a fazer, e então usar as perguntas certas para obter insights sobre os eventos que moldaram a infância de uma pessoa e como esses eventos podem ter afetado ela. Considerando as muitas combinações possíveis de perguntas e respostas, pode ser difícil para um provedor recomendar um tipo específico de intervenção. Além disso, uma vez que os compromissos com agências médicas ou governamentais são feitos, haverá uma longa fila de trabalhadores de saúde e governo lidando com um paciente, e eles não têm garantia de ter o treinamento ou compreensão correta das ACEs.

Para lidar com esses problemas, a equipe de pesquisa projetou um aplicativo de IA que funciona de forma semelhante a um chatbot para fins de suporte técnico. Aqueles que usam o sistema de IA alimentam informações do paciente no modelo, que retorna uma recomendação para certas intervenções em um cronograma específico, com base no banco de dados em que o modelo foi treinado. O modelo leva em consideração entradas de linguagem natural, interpretando frases como “minha casa não tem aquecimento” como indicadores de potencial adversidade na infância, verificando essas declarações contextuais contra um guia médico para o tratamento de ACEs, recomendando as melhores ações.

As respostas às entradas do usuário não são pré-programadas, mas sim dinâmicas, usando um sistema de webhooks que disparam e invocam pontos de extremidade de serviços externos que geram respostas dinâmicas. O sistema de IA decide quais perguntas devem ser feitas com base nas respostas dadas a perguntas anteriores, com o objetivo final de permitir a coleta das informações mais úteis e relevantes em um número mínimo de perguntas. Como mencionado anteriormente, o sistema também é explicável, expondo os dados que usou para tomar decisões sobre intervenções. Como resultado, o sistema é rastreável, e os profissionais de saúde devem ser capazes de seguir a lógica usada pelo sistema para trás.

O sistema de IA desenvolvido pelos pesquisadores do Laboratório Oak Ridge é uma das primeiras abordagens baseadas em dados para permitir que os profissionais de saúde diagnosticem melhor as pessoas com ACEs. Embora isso seja um feito impressionante em si, é possível que a abordagem geral usada para criar o sistema de IA e o chatbot possa ser extrapolada para outros domínios e usada para diagnosticar e tratar outras formas de doença mental. Os métodos usados para expor os dados usados para tomar certas decisões também podem ser aproveitados para aumentar a transparência e explicabilidade para os sistemas de aprendizado de máquina como um todo.