De acordo com o investigador e coordenador científico da licenciatura de Informática do Instituto Superior Miguel Torga, Ricardo Cardoso Pereira, este modelo de IA, que contribui para um aumento de até 9% da capacidade preditiva da inteligência artificial, foi desenvolvido em conjunto com investigadores das universidades de Coimbra e do Porto.

"Tem por objetivo melhorar a qualidade dos dados, atacando várias frentes. Uma delas é a imputação dos dados, que muitas vezes estão em falta", esclareceu.

Segundo o investigador, ao melhorar-se a qualidade dos dados, este modelo de inteligência artificial consegue fazer "melhores previsões, mais acertadas e menos enviesadas".

"Este modelo de IA é genérico, pode ser aplicado a qualquer tipo de dados, mas nós estudámos o impacto dele nos dados médicos", acrescentou.

Intitulada `Siamese Autoencoder Architecture for the Imputation of Data Missing Not at Random`, esta investigação, publicada no Journal of Computational Science, apresenta um novo `autoencoder siamês`: um modelo de Inteligência Artificial que "aprende e reconhece padrões, completa informação nos dados em falta e é capaz de superar as limitações dos métodos convencionais".

A `Siamese Autoencoder-based Approach for Imputation` (SAEI) "reduz erros que resultam de falhas na informação, garantindo desta forma diagnósticos médicos mais fiáveis".

Ao todo, foram realizados testes em 14 conjuntos de dados do setor da saúde e "todos demonstraram a superioridade do modelo SAEI em relação aos métodos tradicionais", como estratégias de base estatística utilizadas para o mesmo fim.

Quanto à sua aplicabilidade clínica, o `Siamese Autoencoder-based Approach for Imputation` revela-se como "um recurso essencial para a classificação de doenças: aumenta a precisão diagnóstica e reforça a segurança na medicina baseada em dados".

O `Siamese Autoencoder-based Approach for Imputation` pode ser integrado numa ferramenta de apoio à decisão dos profissionais de saúde e já está disponível para ser utilizado de forma gratuita.

"Conseguimos ajudar a detetar se um paciente tem ou não uma patologia, se um tratamento vai ou não ter sucesso", referiu.

Segundo o investigador, os profissionais de saúde podem aplicar este modelo como complemento a outros sistemas de classificação e conseguem prever com maior precisão as chances de sucesso desses tratamentos.

Com esta tecnologia, "é possível acelerar o processo de identificação de anomalias cardíacas em fetos através de cardiotocografias" e, caso das doenças cardíacas, a investigação "ajuda também na identificação do risco e da presença de doença cardíaca coronária".

A investigação estende-se, em paralelo, à deteção do cancro, especialmente o cancro da mama.

"A integração destes recursos de IA representa um avanço significativo na medicina de diagnóstico".

Em declarações à agência Lusa, Ricardo Cardoso Pereira explicou que os modelos de inteligência artificial atuais alimentam-se dos dados para aprender e fazer previsões futuras, mas, no entanto, quando os dados não têm qualidade, as previsões que fazem também não vão ser boas.

"O objetivo passa por estimarmos os dados em falta e passarmos a ter os dados completos. Estes dados completos partem do princípio de que estamos a trabalhar com estimativas e um certo nível de erro, mas é sempre melhor do que ter os dados incompletos".