mitos
Mitos em Machine Learning na saúde
ajudar a impedir que as pessoas fiquem doentes
diagnosticar o que há de errado quando as pessoas o fazem
e depois fornecer cuidados e tratamento.
O ML tem uma importante contribuição a fazer com a primeira e a segunda dessas funções.
Por exemplo, os algoritmos ML provaram ser especialmente úteis na previsão das características do câncer por imagem ou no diagnóstico de fraturas por raios-x. Algoritmos de aprendizado não supervisionados demonstraram potencial na ligação de riscos de doenças a biomarcadores genômicos.
Entretanto, mesmo com o desenvolvimento posterior desses aplicativos, eles não replicarão a capacidade de um médico para fornecer cuidados e tratamento.
A saída do ML ainda deve ser analisada por alguém com conhecimento de domínio; caso contrário, dados triviais podem ser interpretados como essenciais e dados essenciais como triviais. Esses relacionamentos devem ser traduzidos para o gerenciamento clínico acionável.
Referências
Last updated