Inteligência Artificial e a Busca por Equidade em Diagnósticos de Saúde

A utilização de modelos de inteligência artificial para auxiliar na triagem e predição de riscos em saúde tem ganhado espaço, mas levanta questões importantes sobre a equidade dos resultados. Pesquisadores do ICT-Unifesp, em parceria com instituições internacionais, estão desenvolvendo estratégias para mitigar vieses em algoritmos, que podem levar a disparidades no diagnóstico e tratamento de pacientes, considerando fatores como gênero, etnia e faixa etária.

O trabalho, publicado no periódico Applied Soft Computing, busca um equilíbrio entre o desempenho do modelo e a garantia de resultados justos para todos os grupos populacionais.

Desafios na Mitigação de Vieses em Algoritmos

O principal desafio reside no fato de que os algoritmos de aprendizado de máquina tendem a ser treinados com dados desbalanceados, o que pode gerar resultados tendenciosos. Por exemplo, um modelo treinado com dados predominantemente de um grupo etário ou gênero específico pode apresentar menor precisão ao analisar pacientes de outros grupos.

A pesquisadora Lilian Berton destaca que a busca por um desempenho ideal nem sempre leva em conta a equidade, o que pode agravar as desigualdades. O estudo propõe uma abordagem que considera simultaneamente o desempenho do modelo e múltiplas métricas de equidade, buscando um ponto de otimização que minimize as disparidades.

Abordagem Multiobjetivo para Equidade Algorítmica

A estratégia desenvolvida pelo ICT-Unifesp envolve a definição de múltiplos objetivos durante o treinamento do modelo. Isso significa que, além de maximizar a acurácia (a capacidade de identificar corretamente os casos), o algoritmo também deve atender a critérios de equidade, como a redução das diferenças de desempenho entre grupos demográficos.

Leia também:

Dr. Anghinah Revela: EEG Desvenda Segredos do Cérebro em 2026!

VV116: Novo Antiviral Promissor Contra o Nipah – Esperança em Surto de Bengala Ocidental de 2026

Surto de Nipah na Índia: Alerta da OMS e Risco Baixo para o Brasil!

A pesquisadora explica que essa abordagem, conhecida como otimização multiobjetivo, permite que o modelo equilibre diferentes prioridades, resultando em resultados mais justos e confiáveis. O estudo utiliza métricas como VP (verdadeiros positivos), FP (falsos positivos), VN (verdadeiros negativos) e FN (falsos negativos) para quantificar o desempenho do modelo em diferentes grupos populacionais.

Resultados Promissores em Diagnósticos de Saúde

A metodologia foi testada em conjuntos de dados públicos de diagnósticos de arritmia, diabetes e hemorragia intracraniana. Os resultados foram promissores, demonstrando que a abordagem de otimização multiobjetivo pode reduzir significativamente as disparidades nos resultados.

Em um estudo com pacientes com arritmia, por exemplo, a implementação das restrições de gênero e idade reduziu a disparidade demográfica em 0,4543 para valores inferiores a 0,1, representando uma redução aproximada de 78% na disparidade. Da mesma forma, no caso do diabetes, a disparidade étnica foi reduzida de 0,0110 para menos de 0,005, representando uma redução superior a 54% no viés racial.

Esses resultados foram confirmados por testes estatísticos rigorosos, utilizando o teste não paramétrico de Wilcoxon, que verifica se as diferenças observadas são realmente significativas ou apenas resultado do acaso.