Um estado da arte dos pesquisadores na aplicação de modelos de inteligência artificial na área de saúde
Creators
- 1. Universidades de Ciências Empresariais e Sociais - UCES
Description
Este artigo apresenta um estado da arte sobre a aplicação de modelos de inteligência artificial (IA) na saúde. O uso de IA nessa área tem crescido rapidamente, com potencial para transformar os cuidados médicos e melhorar os resultados clínicos. O objetivo é revisar e analisar as pesquisas mais recentes sobre o tema. IA refere-se à capacidade de sistemas computacionais de realizar tarefas que normalmente exigem inteligência humana, como o processamento de grandes volumes de dados e a tomada de decisões. Na saúde, tem sido usada em diagnósticos, prognósticos, descoberta de medicamentos e análise de dados clínicos. A aplicação de modelos de IA pode aprimorar a precisão diagnóstica, otimizar tratamentos, personalizar terapias e auxiliar na tomada de decisões clínicas, identificando padrões relevantes em grandes conjuntos de dados. Esses modelos baseiam-se em técnicas como aprendizado de máquina, redes neurais, lógica fuzzy e algoritmos genéticos, sendo treinados com dados clínicos para reconhecer padrões e tomar decisões. Em suma, os modelos de IA têm o potencial de transformar os cuidados de saúde, aumentando a eficiência e os resultados para os pacientes. Contudo, ainda existem desafios, como a interpretabilidade dos modelos, a privacidade dos dados e a aceitação por parte dos profissionais de saúde. Pesquisas futuras devem focar na superação desses obstáculos e no desenvolvimento de soluções aplicáveis à prática clínica.
Other
Akhondzadeh, A., Akbari, E., & Alizadeh, S. (2020). An efficient hybrid GA-PSO algorithm for drug discovery. Expert Systems with Applications, 143, 113057.
Altman, R. B., & Mooney, S. D. (2012). Integrative approaches for predicting drug response. Nature Reviews Genetics, 13(9), 644-657.
Coursera. (s.d.). About Andrew Ng. Recuperado em 18 de junho de 2023, de https://www.coursera.org/instructor/andrewng.
Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. Sage Publications.
Denzin, N. K., & Lincoln, Y. S. (Eds.). (2018). The SAGE Handbook of Qualitative Research. Sage Publications.
Ghassemi, M., Naumann, T., Schulam, P., Beam, A. L., Chen, I. Y., Ranganath, R., & Ossorio, P. N. (2021). A review of challenges and opportunities in machine learning for health. Journal of the American Medical Informatics Association, 28(3), 578-588.
Ghassemi, M., Naumann, T., Schulam, P., Beam, A. L., Chen, I. Y., Ranganath, R., & Ossorio, P. N. (2021). A review of challenges and opportunities in machine learning for health. Journal of the American Medical Informatics Association, 28(3), 578-588.
Ghassemi, M., Wang, Y., Li, H., Chen, T., & He, J. (2018). Scalable and Interpretable Models for Predictive Monitoring in Critical Care. Biomedical Informatics Insights, 10, 1178222617752920.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley Professional.
Harvard Medical School. (n.d.). Isaac Kohane, MD, PhD. Recuperado em 18 de junho de 2023, de https://dbmi.hms.harvard.edu/person/faculty/isaac-kohane-md-phd.
Hinton, G. E., Deng, L., Yu, D., Dahl, G. E., Mohamed, A. R., Jaitly, N., ... & Kingsbury, B. (2012). Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups. IEEE Signal Processing Magazine, 29(6), 82-97.
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press.
Kohane, I. S., & Altman, R. B. (2010). Health-information altruists—A potentially critical resource. New England Journal of Medicine, 363(6), 554-556.
Kohane, I. S., & Drazen, J. M. (2017). Medicine and the rise of the robots: a qualitative review of recent advances of artificial intelligence in health. BMJ, 2017, j2955.
Kohane, I. S., Masys, D. R., & Altman, R. B. (2006). The incidentalome: a threat to genomic medicine. Journal of the American Medical Association, 296(2), 212-215.
Koller, D., & Friedman, N. (2009). Probabilistic Graphical Models: Principles and Techniques. MIT Press.
Koller, D., & Sahami, M. (2002). Toward optimal feature selection. In Proceedings of the Nineteenth International Conference on Machine Learning (ICML-02) (pp. 284-291).
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436-444.
Levitt, M. (2001). Protein folding and drug design. Nature, 409(6822), 419-421.
Li, F. F., Zhou, Q., & Koller, D. (2017). Deep Learning for Healthcare: Review, Opportunities and Challenges. Briefings in Bioinformatics, 18(3), 455-469.
Li, Y., Shi, Y., Li, M., Li, X., & Yang, G. (2017). Evolutionary computing for feature selection and parameter optimization in support vector machines. Expert Systems with Applications, 68, 132-144.
Lobato, R. L., Melo, L. S., Ferreira, F. G., Santana, R. F., & Filho, L. E. (2019). A genetic algorithm for treatment planning optimization in radiation therapy. Applied Soft Computing, 74, 102-114.
Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
Murphy, S. N., Chueh, H. C., & Kohane, I. S. (2009). i2b2 (Informatics for Integrating Biology and the Bedside): a guide to understanding and implementing the open-source software for biomedical research. Archives of Pathology & Laboratory Medicine, 133(3), 423-427.
Ng, A., Han, S., & Sukumar, S. (2017). Deep Learning Algorithms for Detection of Lymph Node Metastases from Breast Cancer: Helping Artificial Intelligence Be Seen. JAMA, 318(22), 2199-2200.
Obermeyer, Z., Emanuel, E. J., & Finkelstein, A. (2017). Predictive Modeling of U.S. Healthcare Spending in Late Life. Science, 356(6343), 154-160.
Obermeyer, Z., Emanuel, E. J., & Finkelstein, A. (2017). Predictive Modeling of U.S. Healthcare Spending in Late Life. Science, 356(6343), 154-160.
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting Racial Bias in an Algorithm Used to Allocate Health Care. Science, 366(6464), 447-453.
Patton, M. Q. (2015). Qualitative Research & Evaluation Methods: Integrating Theory and Practice. Sage Publications.
Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann Publishers.
Russell, S., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson Education.
Sarker, R. A., Essam, D. L., & Mahmud, M. A. (2017). Genetic algorithm-based optimization model for personalized medicine. Journal of Biomedical Informatics, 73, 120-133.
Stake, R. E. (2013). Multiple Case Study Analysis. Guilford Press.
Stanford University. (s.d.). Fei-Fei Li. Recuperado em 18 de junho de 2023, de https://profiles.stanford.edu/fei-fei-li.
University of California, Berkeley. (n.d.). Ziad Obermeyer. Recuperado em 18 de junho de 2023, de https://vcresearch.berkeley.edu/faculty/ziad-obermeyer.
University of Toronto. (n.d.). Geoffrey Hinton. Recuperado em 18 de junho de 2023, de https://www.cs.toronto.edu/~hinton/.
University of Toronto. (n.d.). Marzyeh Ghassemi. Recuperado em 18 de junho de 2023, de https://www.dsp.utoronto.ca/people/faculty/marzyeh-ghassemi.
Van der Schaar, M. (2019). Machine Learning for Healthcare: Challenges and Opportunities. MIT Press.
Yin, R. K. (2018). Case Study Research and Applications: Design and Methods. Sage Publications.
Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning Deep Features for Discriminative Localization. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2921-2929).
Files
05 Um estado da arte dos pesquisadores na aplicação de modelos de inteligência artificial na área de saúde 133-143.pdf
Files
(1.0 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:6cfbc7bacc78d65a8cbda6eb743cfa6e
|
1.0 MB | Preview Download |