Menu
Com o ininterrupto avanço tecnológico, sobretudo no campo da saúde, o uso dos modelos de Machine Learning (ML- aprendizado de máquina) vêm se tornando cada vez mais frequente, com o intuito de aprimorar a precisão dos diagnósticos e o tratamento de doenças. No entanto, persistem dúvidas quanto a precisão diagnóstica feita por meio de ML, assim como a confiabilidade da proteção dos dados sensíveis dos pacientes. Em relação à proteção dos dados, recentes notícias apontam vazamento de mais de 5,8 milhões de dados de saúde como exames, consultas e procedimentos, segundo o CanalTech. Uma vez que modelos de ML classificam e predizem doenças, e nesse processo utiliza-se grande quantidade de dados, o vazamento dessas informações é muito crítico. Além disso, tais modelos podem apresentar erros nas classificações, reduzindo assim a precisão do diagnóstico. Por isso, é preciso analisar a eficiência dos diagnósticos feitos pelo aprendizado de máquina e a proteção adotada para garantir a segurança dos dados dos pacientes, verificar se os diagnósticos realizados por modelos de Machine Learning são tão precisos quanto os de médicos humanos, como também as medidas de proteção e privacidade com os dados dos pacientes. Por meio da revisão de literatura, foi possível chegar ao resultado de que os modelos demonstram grande eficácia em termos de precisão diagnóstica, com resultados comparáveis aos de médicos humanos e uma taxa de erro ou falha quase mínima. Contudo, a preocupação quanto à segurança dos dados dos pacientes ainda persiste; embora não tenham sido encontradas informações sobre ataques direcionados a modelos de aprendizado de máquina na área da saúde, os modelos precisam estar bem criptografados e monitorados constantemente durante suas operações como precaução a ataques cibernéticos. Conforme as hipóteses iniciais de que os diagnósticos realizados por modelos de ML são precisos e os modelos garantem a devida segurança de dados, os algoritmos demonstram- se bons auxiliares clínicos e os modelos garantem a segurança necessária das informações dos pacientes, contudo é relevante destacar a necessidade de uma alta proteção da máquina.
PALAVRAS-CHAVE: Machine Learning; Diagnósticos; Doenças.
