Inteligência Artificial no COVID-19

Todos os aspetos das nossas rotinas diárias foram afetados pela COVID este ano, desde o nosso trabalho e indústrias até às interações sociais. Decorridos nove meses desde o início dos confinamentos, os números continuam a crescer. Por isso, neste artigo queríamos discutir o que podemos fazer com Inteligência Artificial no COVID-19.

A opinião pública geral é que os governos mundiais gerenciram mal a pandemia, com decisões impulsionadas principalmente por fundamentalismos políticos. Por exemplo, observámos recentemente como o governo português anunciou mais restrições às operações comerciais e mobilidade para reduzir encontros familiares. A decisão foi tomada com base na ideia de que a maioria das infeções (67%) acontecia nesse contexto (aqui). Cerca de um mês depois, constatou-se que o valor era muito inferior, representando apenas 10% dos casos conhecidos (sem qualquer alteração às decisões) (aqui). Diria que alguém esqueceu de assistir à aula sobre Survivorship bias!

O impacto a longo prazo destas decisões é muito maior do que pensamos. Uma grande crise económica está a emergir desta situação, e milhares de mortes aparentemente não relacionadas que ninguém quer explicar, muito menos contabilizar. É assim que considerar as suas convicções enviesadas acima de evidências apoiadas por dados se tornou catastrófico.

Contudo, existe uma alternativa: utilizar dados para apoiar a tomada de decisões. Os empresários, em geral, trabalharam em cenários altamente incertos há milénios. Enquanto a maioria das empresas aprendeu a abraçar dados para apoiar a tomada de decisões há décadas, os políticos de qualquer lado do espectro parecem estar apaixonados por tomadas de decisão impulsionadas pelo populismo. É hora de os Data Scientists assumirem o comando, ou pelo menos estarem na cabina, para que possamos redirecionar o debate para o campo científico.

Onde podemos ajudar?

Todos sabemos que abordar aplicações de nível individual com IA é promissor. Contudo, a minha opinião é que devemos desviar parte do nosso foco do diagnóstico de COVID e ventiladores inteligentes para reduzir a propagação em primeiro lugar. Conforme discutimos no nosso anterior artigo de blog, existe muito espaço para IA num hospital e a nível social. Com as vacinas a aprovarem os testes necessários para introdução no mercado, o tema quente para os próximos meses (anos? Esperemos que não!) serão as políticas de vacinação eficientes. Mesmo que tenhamos uma vacina, os recursos envolvidos na vacinação global levarão tempo a serem plenamente implementados. Por isso, precisamos de estratégias para vacinar as pessoas certas. Essa seria uma forma melhor de utilizar Inteligência Artificial no COVID.

Esboçamos uma ideia de como poderíamos usar IA para otimizar a vacinação.

Otimizar a Vacinação do COVID com Inteligência Artificial

Qual é o nosso objetivo aqui? Diria que é atingir um certo nível de imunidade coletiva com um número mínimo de vacinas. Sei que existem outros fatores (custos operacionais, logística, mortes), mas o número de vacinas administradas parece uma restrição intuitiva para os próximos meses.

Deixando de lado sentimentos (e política), vacinar a população de alto risco não é a solução ideal. Por exemplo, será necessário vacinar dezenas ou centenas de idosos para reduzir consideravelmente o risco comunitário numa casa de repouso, mas apenas alguns para vacinar o pessoal que interage com estes pacientes de alto risco diariamente. Isto geralmente acontece em qualquer comunidade com baixas interações de entrada (por exemplo, prisões).

Modelo Preditivo para preencher as lacunas

Em primeiro lugar, precisamos de perceber que não estamos a tentar vacinar mais pessoas, mas a vacinar mais contactos imunizados (por exemplo, um aperto de mão é seguro se pelo menos uma das mãos for imune à doença). Por isso, precisamos de compreender o risco de "entrada" para uma pessoa ao desenhar estas políticas e o risco de "saída". Nomeadamente, quem contribuirá mais para a propagação da doença?

Os governos e as autoridades de saúde recolheram alguns dados sobre infeções. Até ao momento, estes dados focaram-se em compreender o impacto da doença no paciente e não tanto na transmissão social. Precisamos de abordar isto com urgência! Então, digamos que estamos a construir um modelo preditivo que, dado um indivíduo, prevê quantos pacientes serão infetados por ele (considere a transitividade, ou seja, infeções de K-ordem). O modelo pode analisar atributos como idade, sexo, morada, local de trabalho, utilização de transportes públicos, padrões de mobilidade, profissão, estatísticas sobre o local de trabalho, estatísticas sobre familiares, etc. Sempre com um foco na capacidade de propagação e não apenas no risco pessoal. A maioria destas informações pode ser extraída da segurança social, cobrança de impostos e registos públicos. Outros dados podem ser mais difíceis de obter, ultrapassando limites de proteção de dados (em caso de dúvida, a privacidade vem em primeiro lugar). Consulte a carta aberta de DSSG PT a DGS para boas orientações sobre recolha de dados.

Existe um problema ao construir tais modelos: não temos dados fiáveis sobre transmissões. A maioria das infeções tem origem desconhecida. Por isso, os modelos que construímos devem considerar que não observaremos a maioria dos pontos de dados e que o que é observado está enviesado para pessoas infetadas com fontes de infeção conhecidas (por exemplo, a criança que infetou a sua mãe).

Construir políticas ótimas com Inteligência Artificial no COVID: das previsões às decisões

Digamos que construímos tal modelo que, dado um indivíduo, prevê o grau esperado de contagiosidade de saída. Quem devemos vacinar agora? Apenas os com uma taxa infecciosa superior? Provavelmente não. Se conhecêssemos ligações entre pessoas, poderíamos estimar os cortes mínimos do gráfico ou uma cobertura de vértices para garantir que a COVID não se mova de uma comunidade para outra. Em alguns casos locais, teremos acesso a tais gráficos (por exemplo, dentro de um hospital, numa escola, etc.) e poderíamos procurar a melhor solução. Na maioria dos casos, considerando o mundo altamente dinâmico em que vivemos, não teremos. Por isso, precisamos de considerar alternativas heurísticas que lidem com gráficos de conhecimento parcial observando relacionamentos conhecidos (por exemplo, agregados familiares e local de trabalho) e a taxa de transmissão prevista por pessoa.

Nota sobre equidade: O modelo pode prejudicar certos grupos de pessoas. Isto é especialmente verdadeiro se considerarmos que algumas pessoas podem trabalhar em economias informais, o que limitaria a visibilidade das suas redes de contacto. Por isso, um método ingénuo as excluiria de um acesso justo e necessário à vacina. Consulte o nosso anterior artigo de blog sobre Equidade em IA para mais detalhes.

Compreendemos que a solução descrita aqui pode não ser escalável ou mesmo viável. Contudo, o objetivo deste artigo não é resolver o problema, mas abrir a discussão, criando um debate na comunidade de dados para propor soluções que foram ignoradas e aumentariam indubitavelmente o alcance destes programas.

Tem mais ideias sobre como aplicar ciência de dados para otimizar esta questão logística massiva? Deixe-nos saber!

Quer discutir esta ideia com mais detalhes?

Marque uma reunião com Kelwin Fernandes

Conheça Kelwin Saiba Mais

Aviso: as opiniões, pensamentos e perspetivas expressas no texto pertencem unicamente ao autor e não refletem necessariamente o pensamento do seu empregador, organização, comissão ou outro grupo ou indivíduo.