Como a IA Pode Nos Ajudar a Nos Preparar para a Segunda Onda – Líderes de Pensamento

Por Eric Paternoster, CEO da Infosys Public Services

Até agora, os modelos de ciência de dados existentes não fizeram o melhor trabalho em prever a facilidade de transmissão da COVID-19, a extensão de seu desenvolvimento e surtos em novos pontos quentes. Muitos foram desenvolvidos às pressas, com informações limitadas.

No entanto, um modelo de IA seria adaptável, construído para escala e automatizado, processando dados sociológicos, econômicos e relacionados à saúde da COVID para permitir que as economias reabram com sucesso, caso ocorra outra onda.

Os dados utilizados neste modelo devem ser precisos e estatisticamente significativos. Eles também devem ser confiáveis. Até agora, coisas como valores R, níveis de imunidade de rebanho e taxas de letalidade têm sido muito difíceis de estimar em todo o mundo, especialmente em lugares sem uma estratégia de testes e rastreamento de contatos coerente. Outro problema é que, mesmo quando os testes foram realizados, houve diferenças selvagens nas taxas de sensibilidade e especificidade, causadas pela variação nos tipos de testes imunodiagnósticos e técnicas de coleta de amostras.

Não apenas os dados são deficientes, mas os próprios modelos também são falhos. O modelo utilizado pela Casa Branca, construído pelo Instituto de Métricas e Avaliação de Saúde, não levou em conta as diferenças nos parâmetros regionais importantes e supôs que o vírus afetaria a população da mesma maneira que na China, Espanha e Itália. Claro, os EUA têm características de população muito diferentes, níveis de quarentena e disponibilidade de testes.

Outros modelos, frequentemente desenvolvidos por universidades líderes em todo o mundo, fizeram um pouco melhor. Eles incorporaram estimativas de contágio, juntamente com fatores que aumentam o risco de doença grave ou morte. Mas mesmo esses foram baseados em suposições imprecisas, levando a erros no modelo de trabalho. Por exemplo, o modelo inicialmente desenvolvido pelo Imperial College London não conseguiu inferir a mudança óbvia no comportamento da população que ainda surgiria na ausência de intervenções governamentais. Ele também carecia de compreensão de como o número de reprodução do vírus (R0) mudaria devido a esse comportamento.

Não é de se estranhar, então, que tanta confusão tenha resultado, especialmente nos EUA e no Reino Unido. Relaxar os controles sem preparação para as consequências foi caro, mesmo quando a doença provavelmente retornará. Medidas devem ser tomadas agora para informar a tomada de decisões em um nível mais granular. As populações devem ser estratificadas para determinar quem emerge da quarentena primeiro. Uma estratégia deve ser implementada para permitir o rastreamento de contatos em larga escala e garantir que os cuidados de saúde sejam suficientes no futuro.

Para ajudar nisso, redes neurais artificiais e técnicas de aprendizado profundo devem ser usadas, aumentando os modelos epidemiológicos existentes e tornando-os mais dinâmicos e responsivos em tempo real. Esse modelo de IA usaria aprendizado semi-supervisionado ou não supervisionado e poderia funcionar mesmo com entrada limitada de relatórios de testes em larga escala. Ele seria auto-sustentável e exigiria uma quantidade reduzida de dados para aprender e prever, em comparação com os modelos atuais. Ao ajustar continuamente os parâmetros de entrada e aprender continuamente, o modelo geraria previsões que não sofreriam de atrasos de ajuste inevitáveis.

Com o aprendizado profundo, a IA poderia descobrir padrões complexos, aprender e se curar automaticamente. Ele pode detectar automaticamente anomalias e também ser capaz de julgar a precisão das variáveis, produzindo resultados muito mais confiáveis do que os modelos de ciência de dados da COVID-19 existentes.

Parâmetros-chave neste modelo de IA seriam extraídos de relatórios de testes clínicos, dados de rastreamento de contatos e conjuntos de dados regionais grandes, e incluiriam características da população regional, status socioeconômico e fatores de risco, como tabagismo, dependência de drogas e obesidade. O número de indivíduos infectados que foram colocados em quarentena e não puderam mais transmitir a infecção seria incorporado ao modelo.

Isso daria aos líderes das forças-tarefas as informações necessárias para conter essa doença perigosa de forma proativa, permitindo que eles tomem decisões racionais em tempo quase real, fornecendo às economias mundiais uma estratégia de saída robusta e bem informada.