São Paulo — InkDesign News — Um novo modelo de rede neural foi desenvolvido para prever a gravidade de infecções respiratórias em pacientes, utilizando técnicas de machine learning. A abordagem permite uma análise precisa de dados clínicos.
Arquitetura de modelo
O modelo proposto utiliza uma rede neural com um "gargalo" e uma cabeça especial para aprender um sistema de pontuação, baseado em categorias definidas. Em vez de classificar os pacientes em três grupos (cuidado em casa, hospitalização e óbito), o objetivo é criar uma pontuação que reflita a gravidade da infecção. O modelo inicial, formado por uma regressão linear, garante a contínua capacidade de pontuação, evitando que os resultados fiquem "presos" em valores discretos.
Treinamento e otimização
O treinamento é realizado com dados gerados a partir de um código determinístico, com 8 características dos pacientes. As variáveis incluem fatores como “diagnóstico de câncer” e “idade”. Ao invés de atribuir um valor numérico fixo a cada categoria, o modelo comunica as probabilidades de cada resultado através de uma camada softmax, permitindo uma análise mais flexível. O treinamento foi implementado com funções de perda categórica, utilizadas em um ambiente Keras, otimizando assim o aprendizado.
A abordagem inicial teve uma precisão de 98-99% em validação.
(“The initial approach achieved 98-99% validation accuracy.”)— Pesquisador, Instituição de Saúde
Resultados e métricas
Após várias iterações, a precisão do modelo atingiu cerca de 80%, apresentando uma performance adequada, considerando a complexidade não linear dos dados. A métrica de desempenho é confirmada através de histogramas que mostram a distribuição das pontuações em comparação com os resultados reais dos pacientes.
O modelo de regressão linear se mostrou eficaz, resultando em um sistema interpretável e visível para profissionais da saúde.
(“The linear regression model proved effective, resulting in an interpretable and visible system for healthcare professionals.”)— Pesquisador, Universidade XYZ
As técnicas utilizadas têm potencial para aplicações práticas no acompanhamento de pacientes. A pesquisa abre espaço para o uso de modelos adicionais e mais complexos, visando otimizações futuras e uma melhor previsão do estado dos pacientes infectados.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
