Desafio online utiliza dados e inteligência artificial no diagnóstico da COVID-19

2 minutos para ler

Einstein promove Datathon e provoca usuários na plataforma Kaggle a sugerirem soluções para “aumentar” a precisão de confirmação entre os casos suspeitos, além de modelo capaz de “prever” quais são os indivíduos com maior possibilidade de evoluir gravemente com a doença.

Como a inteligência artificial e a ciência de dados podem colaborar no diagnóstico da Covid-19? Entre os dias 28 de março e 3 de abril deste ano a pergunta foi lançada na Kaggle, popular plataforma online de competições de Data Science, pelo Hospital Israelita Albert Einstein.

Intitulado Diagnosis of COVID-19 and its clinical spectrum o desafio previa o uso das tecnologias pela comunidade para a resolução de duas tarefas:

– Prever casos confirmados de Covid-19 entre casos suspeitos;

– Prever a admissão na enfermaria geral, unidade semi-intensiva ou unidade de terapia intensiva entre os casos confirmados de Covid-19.

Os participantes do desafio receberam um “pacote” de informações dos pacientes atendidos pelo Einstein e que tiveram amostras coletadas para realizar testes de detecção para a Covid-19. Vale ressaltar que todos os dados eram anonimizados, o que garante a segurança e privacidade dos pacientes.

Resultados

A multiplicidade de soluções apresentadas com foco em diferentes aspectos do problema pode representar um recurso valioso na avaliação de diferentes estratégias para implementar modelos preditivos na luta contra a Covid-19.

Embora não tenha sido uma competição, algumas soluções merecem destaque, baseadas na comunidade e em nossa análise de resultados.

  • Lucas Moda utilizou métodos interessantes de visualização de dados para a interpretação dos modelos.
  • Fellipe Gomes usou descrições concisas dos dados e resultados do modelo.
  • Pensamos em ideias interessantes para visualizar e entender os dados, como o dendrograma usado pelo CaesarLupum.
  • Ossamu também procurou avaliar várias técnicas de reamostragem de dados, para verificar como ele pode melhorar o desempenho dos modelos preditivos, o que também foi feito por Kaike Reis.
  • Jairo Freitas e Christian Espinoza procuraram entender a distribuição dos exames referentes aos resultados da tarefa 2, para apoiar as decisões a serem tomadas na construção de modelos preditivos.
Leia mais