Implementação segura e eficiente de modelos de machine learning nos cuidados de saúde
LUMC
Consultora de data science na Haia
Testamos um modelo preditivo com dados recentes e avaliamos o seu desempenho em cada grupo antes de alguém o utilizar para tomar decisões. Para o LUMC, pusemos os nossos próprios modelos em prática.
Os modelos de machine learning do próprio LUMC foram implementados na prática
O LUMC, também parceiro da Health Campus Den Haag, desenvolveu vários modelos para melhorar os cuidados de saúde. Criámos a infraestrutura para os implementar na prática, com os resultados apresentados numa aplicação clara.
O nosso modelo continua válido para os bairros de Haia e os pacientes de hoje?
Um modelo tem um bom desempenho no conjunto de dados com que foi criado. Mas os residentes e os pacientes variam de bairro para bairro, e a forma de registar dados e prestar cuidados de saúde muda. Testá-lo com dados recentes e por grupo mostra se também continua válido nesses contextos.
Um modelo preditivo testado no grupo em que será utilizado
Começar pela decisão
Começamos pela decisão que precisa de ser melhorada, como escolher que cliente terá primeiro uma consulta inicial, e só depois selecionamos os dados e o modelo.
Testado por grupo e ao longo do tempo
Além do resultado global, analisamos o desempenho do modelo por faixa etária, bairro ou localização, e com dados recolhidos após a sua criação.
Uma probabilidade que se confirma
Uma probabilidade prevista deve confirmar-se na prática com a mesma frequência. A isto chama-se calibração, que testamos separadamente da exatidão.
Em utilização, não num relatório
Para o LUMC, estamos a criar a infraestrutura necessária para implementar os seus próprios modelos, com os resultados apresentados numa aplicação de fácil consulta.
Definimos a base legal e a questão antes de treinar um modelo
-
Questão e base legal
Que decisão precisa de ser melhorada, quem utiliza o resultado e os dados podem ser utilizados para esse fim?
-
Construir e comparar
Construímos o modelo, testamo-lo com dados recentes e por grupo, e comparamo-lo com a forma de trabalhar atual.
-
Pôr a funcionar e acompanhar
O modelo funciona no ambiente onde o utilizador já trabalha. Acompanhamos se os dados de entrada e as pontuações se alteram.
Um modelo preditivo é adequado para a nossa questão?
É adequado quando
Há uma decisão recorrente, como escolher que processo analisar primeiro ou quem deve receber apoio adicional, e os resultados de casos anteriores estão registados.
Não é adequado quando
O resultado é raro ou está mal registado, ou uma regra estabelecida numa política ou orientação já determina a decisão. Nesse caso, melhorar o registo ou criar uma visão geral ajuda mais, e dizemos-lhe isso.
O que determina a dimensão do projeto
O número de fontes e a forma como são interligadas, se os dados podem sair da organização, quanta validação é necessária, onde o modelo funciona e quem o gere depois.
Os dados podem ser usados para este fim?
Os dados de saúde e dos serviços sociais são muitas vezes recolhidos para outro fim. Cabe ao encarregado de proteção de dados ou ao jurista da sua organização decidir se podem ser reutilizados. Construímos o modelo para que use o mínimo possível de dados pessoais.
Começar por uma análise, um modelo simples ou machine learning: o que melhor responde à sua questão?
Começar por uma análise
Opte por uma análise se ainda não for claro que decisão precisa de ser melhorada. A análise dos dados existentes mostra onde estão as diferenças e se um modelo acrescentaria valor.
Um modelo simples
Opte por um modelo simples quando a explicabilidade for importante, por exemplo, em decisões que afetam habitantes ou pacientes. O nosso conselho: comece sempre por criar um modelo de regressão como referência; um modelo mais complexo deve demonstrar que o supera.
Machine learning
Opte por machine learning quando houver muitas fontes de dados e características, e um modelo simples não for suficiente. Saiba mais sobre o desenvolvimento de machine learning.
Para modelos na área da saúde entre Haia e Leiden, o LUMC é a nossa referência
A Data Science Lab trabalha com dados e IA desde 2016, desde plataformas de dados até à aplicação e gestão, a partir de Amesterdão. Somos parceiros da Databricks e da Microsoft. Podemos reunir-nos nas suas instalações, nas nossas ou online.
Traga uma decisão e os dados para a primeira conversa
Stef Stoelwinder
Desenvolvimento de NegócioStef é o seu primeiro ponto de contacto. Na primeira conversa, analisamos a decisão que precisa de ser melhorada e os dados que a sustentam.
E-mail info@datasciencelab.nl
Telefone +31 (0)20 3636 724
Que decisão recorrente gostaria de apoiar com uma previsão?
Descreva a decisão, os dados de que dispõe e quem vai trabalhar com eles. Responderemos por e-mail ou agendaremos uma primeira conversa.
Mensagem enviada
Obrigado pela sua mensagem. Entraremos em contacto consigo o mais rapidamente possível.
Perguntas frequentes
Constrói modelos com os dados da sua organização para fundamentar decisões recorrentes: que paciente ou utente precisa de atenção adicional, que ocorrência deve ser tratada primeiro ou de quanta capacidade é necessário dispor. Isto também inclui texto, como a classificação de respostas abertas por tema; para a WUA, construímos um modelo de classificação por temas.
Estes modelos fazem parte das aplicações de IA que construímos e depois gerimos.
Para organizações do setor público fora da área da saúde, também escrevemos sobre dados e IA para o ensino e para associações de habitação.
O LUMC desenvolveu vários modelos de machine learning para melhorar os cuidados de saúde. O objetivo não era apenas desenvolvê-los, mas também implementá-los. Criámos a infraestrutura, após o que os modelos foram implementados na prática. Os resultados são apresentados numa aplicação clara, para que o seu impacto seja visível nos cuidados prestados diariamente.
Saiba mais no caso de estudo do LUMC.
O Health Campus Den Haag, uma colaboração que envolve, entre outros, o LUMC, a Gemeente Den Haag, o Haaglanden Medisch Centrum, o HagaZiekenhuis e a GGD Haaglanden, estuda as diferenças de saúde entre os residentes. Os parceiros partilham dados num ambiente seguro do CBS.
Nesse ambiente, o CBS cruza fontes como os dados de médicos de família da rede ELAN e os dados WMO do município ao nível individual, através de uma chave pseudonimizada. Só podem sair resultados agregados, e apenas para investigação científica.
O Guia de Qualidade da IA na Saúde, elaborado em dezembro de 2021 por um grupo de trabalho com o apoio do VWS, divide o trabalho em seis fases: recolha e gestão de dados, desenvolvimento, validação, desenvolvimento de software, avaliação do valor acrescentado na prática e implementação, incluindo formação. Não tem valor jurídico.
Deve, no mínimo, testar o modelo com dados que não foram usados no seu desenvolvimento, por exemplo, de um período posterior ou de outro local.
Um modelo pode ordenar corretamente pacientes ou processos e, ainda assim, estimar mal as probabilidades. Se previr sistematicamente probabilidades demasiado elevadas, demasiadas pessoas recebem uma consulta de controlo ou uma visita domiciliária adicional, e o planeamento deixa de funcionar.
Para testar a calibração, compare as probabilidades previstas com a frequência com que o resultado ocorreu realmente em cada grupo. Se houver desvios num novo período, ajuste o modelo.
Por vezes. O ponto 5 do anexo III abrange a IA utilizada pelas autoridades públicas para avaliar se uma pessoa tem direito a prestações e serviços públicos essenciais, incluindo cuidados de saúde, bem como sistemas de triagem de pacientes nos serviços de urgência. Segundo a Comissão Europeia, essas regras aplicam-se a partir de 2 de dezembro de 2027.
A equipa jurídica ou de conformidade da sua organização pode avaliar se o modelo está abrangido; nós ajudamos a identificar os sistemas relevantes. Consulte o Regulamento da IA.
Continuando a acompanhar os dados de entrada e os resultados. Um novo sistema de registo, um protocolo diferente ou uma mudança no perfil das pessoas que recorrem ao serviço altera os dados em que o modelo se baseia. Quando os resultados reais estiverem disponíveis, compare-os com as previsões.
Leia como organizamos este acompanhamento em MLOps; a manutenção contínua faz parte da gestão e melhoria contínua.
Se ainda não identificou uma decisão que precise de ser melhorada, ou se primeiro quer perceber onde a IA se enquadra na sua organização e como utilizá-la de forma responsável, comece por consultor de IA em Haia.
Se a sua organização estiver na região de Utrecht, consulte consultora de data science em Utrecht.
Quer aprofundar o modelo, a tecnologia ou o aconselhamento?
- Aplicações de IATodas as aplicações que desenvolvemos, desde modelos preditivos até aplicações de imagem e linguagem.
- Desenvolvimento de machine learningComo construímos, testamos e colocamos um modelo em produção, e que tipos de modelos existem.
- Consultor de IA em HaiaAconselhamento para ministérios, organismos de execução e municípios, desde o registo de algoritmos até ao Regulamento da IA.