A aprendizagem de máquina distribuída a partir de bases federadas pode viabilizar big data em saúde sem centralizar dados de pacientes?
Resposta curta: Sim. A revisão sistemática descreve que a aprendizagem distribuída a partir de bases federadas dispensa a centralização dos dados: algoritmos distribuídos analisam iterativamente bases separadas, compartilhando essencialmente perguntas e respostas de pesquisa em vez dos dados, de modo que os dados dos pacientes nunca deixam as instituições clínicas individuais.
Resposta
A revisão sistemática aborda o problema da centralização de dados em big data na saúde, que levanta preocupações de privacidade e regulatórias. Como alternativa, apresenta a aprendizagem distribuída como solução potencial para preservar os dados dos pacientes, descrevendo também o contexto legal da pesquisa com dados de pacientes e definindo conceitos de aprendizado de máquina e profundo.
O ponto central é que a aprendizagem distribuída a partir de bases federadas torna a centralização dos dados desnecessária. Os algoritmos distribuídos analisam iterativamente bases de dados separadas, compartilhando essencialmente perguntas e respostas de pesquisa entre as bases, em vez de compartilhar os dados. Assim, é possível aprender a partir de conjuntos de dados separados e isolados sem que os dados dos pacientes deixem as instituições clínicas individuais.
A revisão descreve seu protocolo, apresenta os resultados da busca e discute os achados, as limitações da revisão e as perspectivas futuras. O resumo não informa o número de estudos incluídos nem detalhes quantitativos dos resultados.
Os autores concluem que a aprendizagem distribuída tem grande potencial para facilitar o uso de big data em aplicações médicas, em particular para consórcios internacionais. O objetivo declarado é revisar as principais implementações de aprendizagem distribuída na área da saúde.
O que o estudo mostrou
Trata-se de uma revisão sistemática sobre as principais implementações de aprendizagem distribuída na saúde. O resumo descreve o protocolo adotado, os resultados da busca e a discussão dos achados, mas não informa o número de estudos incluídos nem a amostra. O achado central é conceitual: algoritmos distribuídos analisam iterativamente bases separadas, compartilhando perguntas e respostas de pesquisa em vez dos dados, sem que os dados dos pacientes deixem as instituições clínicas.
Limitações
O resumo não informa o número de estudos incluídos, a qualidade metodológica das implementações revisadas nem resultados quantitativos. Também não detalha as limitações apontadas pelos próprios autores, apenas indica que a discussão as aborda. O que o resumo permite concluir é limitado a uma descrição conceitual do potencial da aprendizagem distribuída, sem evidências numéricas de desempenho.
Aplicação no consultório
Para a prática clínica e a gestão do consultório, a revisão reforça que participar de iniciativas de pesquisa com bases federadas pode permitir contribuir com dados locais sem enviar dados de pacientes a um repositório central. Isso favorece a adesão a consórcios e projetos multicêntricos, inclusive internacionais, alinhando pesquisa clínica às exigências de privacidade e regulação. A decisão de participar deve considerar os requisitos legais e a governança dos dados descritos na revisão.
Estudo citado
Systematic Review of Privacy-Preserving Distributed Machine Learning From Federated Databases in Health Care. JCO clinical cancer informatics, 2020.
Autores: Zerka F, Barakat S, Walsh S, Bogowicz M, Leijenaar RTH, Jochems A, Miraglio B, Townend D, Lambin P.
DOI: 10.1200/CCI.19.00047 · PubMed: PMID 32134684
Perguntas para aprofundar
- Como funciona, na prática, o compartilhamento de perguntas e respostas de pesquisa entre bases federadas sem transferir dados de pacientes?
- Quais são os requisitos legais e regulatórios para pesquisa com dados de pacientes em modelos de aprendizagem distribuída?
- Quais implementações de aprendizagem distribuída em saúde já foram descritas e como avaliar sua qualidade metodológica?
Mais sobre IA em triagem e prontuário eletrônico
- Como o aprendizado de máquina tem sido aplicado aos registros administrativos de saúde e quais são as limitações dessa abordagem?
- Incorporar informações de texto livre de prontuários eletrônicos aos códigos melhora a detecção de casos em pesquisas clínicas?
- Como o processamento de linguagem natural em prontuários eletrônicos pode apoiar a decisão clínica e quais são as limitações atuais?
- Quais métodos estatísticos e de aprendizado de máquina são usados para detectar reações adversas a medicamentos?
- Como a inteligência artificial e a análise de big data podem ser aplicadas na saúde móvel para melhorar o sistema de saúde?
Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown