Entrega de vacinas: fazendo mais com menos

vacunas
Los macroojos de inicio utilizan inteligencia artificial para mejorar la administración de vacunas y la programación de pacientes.

Views: 42

 – A macro-visão de inicialização usa inteligência artificial para melhorar a entrega da vacina e a programação do paciente.

Courtesy MIT by Zach Winn: Hoje, mais crianças estão sendo vacinadas em todo o mundo mais do que nunca, e a prevalência de muitas doenças evitáveis ​​por vacinas caiu na última década. Apesar desses sinais encorajadores, no entanto, a disponibilidade de vacinas essenciais estagnou globalmente nos últimos anos, segundo a Organização Mundial da Saúde.

Um problema, particularmente em ambientes com poucos recursos, é a dificuldade de prever quantas crianças aparecerão para vacinação em cada clínica de saúde. Isso leva à escassez de vacinas, deixando as crianças sem imunizações críticas ou a excedentes que não podem ser usados.

A visão macro de inicialização está tentando resolver esse problema com uma ferramenta de previsão de vacina que aproveita uma combinação única de fontes de dados em tempo real, incluindo novas idéias dos profissionais de saúde da linha de frente. A empresa diz que a ferramenta, chamada Rede AI de Saúde Conectada (CHAIN), conseguiu reduzir o desperdício de vacinas em 96% em três regiões da Tanzânia. Agora, está trabalhando para ampliar esse sucesso na Tanzânia e Moçambique.

“A assistência médica é complexa e, para ser convidado para a mesa, você precisa lidar com os dados ausentes”, diz Benjamin Fels, CEO da macro-eyes, que co-fundou a empresa com Suvrit Sra, Esther e Harold E. Edgerton Professor Associado de Desenvolvimento de Carreira do MIT. “Se o seu sistema precisa de idade, sexo e peso para fazer previsões, mas para uma população que você não tem peso ou idade, não pode simplesmente dizer: ‘Este sistema não funciona.’ ser capaz de trabalhar em qualquer ambiente “.

A abordagem da empresa à previsão já é a base de outro produto, a plataforma de agendamento de pacientes Sibyl, que analisou mais de 6 milhões de consultas hospitalares e reduziu o tempo de espera em mais de 75% em um dos maiores hospitais cardíacos das previsões da Sibyl dos EUA. parte das previsões mais amplas da CHAIN.

Ambos os produtos representam etapas em direção ao objetivo maior dos olhos de macro de transformar os serviços de saúde por meio da inteligência artificial. E, ao fazer com que suas soluções funcionem nas regiões com a menor quantidade de dados, eles também estão avançando no campo da IA.

“O estado da arte em aprendizado de máquina resultará do enfrentamento de desafios fundamentais nos ambientes mais difíceis do mundo”, diz Fels. “Envolva-se onde os problemas são mais difíceis e a IA também será beneficiada: [se tornará] mais inteligente, mais rápida, mais barata e mais resiliente”.

Definindo uma abordagem

Sra e Fels se conheceram há cerca de 10 anos, quando Fels trabalhava como operador algorítmico de um fundo de hedge e Sra era um membro visitante do corpo docente da Universidade da Califórnia em Berkeley. A experiência da dupla esmagando números em diferentes setores alertou-os para uma falha nos cuidados de saúde.

“Uma pergunta que se tornou uma obsessão para mim foi: ‘Por que os mercados financeiros foram quase inteiramente determinados por máquinas – por algoritmos – e os cuidados com a saúde em todo o mundo são provavelmente a parte menos algorítmica da vida de alguém?'”, Lembra Fels. “Por que os cuidados de saúde não são mais orientados por dados?”

Por volta de 2013, os cofundadores começaram a criar algoritmos de aprendizado de máquina que mediam semelhanças entre os pacientes para informar melhor os planos de tratamento na Stanford School of Medicine e em outro grande centro médico acadêmico em Nova York. Foi durante esse trabalho inicial que os fundadores lançaram as bases da abordagem da empresa.

“Existem temas que estabelecemos em Stanford que permanecem hoje”, diz Fels. “Um deles é [construir sistemas com] humanos em loop: não estamos apenas aprendendo com os dados, mas também com os especialistas. O outro é a multidimensionalidade. Não estamos apenas olhando para um tipo de dados; estamos analisando 10 ou 15 tipos, [incluindo] imagens, séries temporais, informações sobre medicamentos, dosagem, informações financeiras, quanto custa para o paciente ou hospital “.

Na época em que os fundadores começaram a trabalhar com Stanford, Sra ingressou no Laboratório de Sistemas de Informação e Decisão (LIDS) do MIT como principal cientista de pesquisa. Ele se tornaria membro do corpo docente do Departamento de Engenharia Elétrica e Ciência da Computação e do Instituto de Dados, Sistemas e Sociedade (IDSS) do MIT. A missão do IDSS, avançar em campos que incluem ciência de dados e usar esses avanços para melhorar a sociedade, está alinhada com a missão de Sra na visão macro.

“Por causa desse foco [no impacto] no IDSS, acho que é o meu objetivo tentar fazer a IA para o bem social”, diz Sra. “O verdadeiro julgamento do sucesso é quantas pessoas ajudamos? Como poderíamos melhorar o acesso aos cuidados com as pessoas, onde quer que elas estejam? ”

Em 2017, a macro-eyes recebeu uma pequena doação da Fundação Bill e Melinda Gates para explorar a possibilidade de usar dados de profissionais de saúde da linha de frente para construir uma cadeia de fornecimento preditiva de vacinas. Foi o começo de um relacionamento com a Fundação Gates, que se expandiu constantemente à medida que

A empresa alcançou novos marcos, desde a construção de modelos precisos de utilização de vacinas na Tanzânia e Moçambique até a integração com cadeias de suprimentos para tornar os suprimentos de vacinas mais proativos. Para ajudar com a última missão, Prashant Yadav ingressou recentemente no conselho de administração; Yadav trabalhou como professor de gerenciamento da cadeia de suprimentos no Programa Internacional de Logística do MIT-Zaragoza por sete anos e agora é membro sênior do Center for Global Development, uma organização sem fins lucrativos.

Juntamente com seu trabalho no CHAIN, a empresa implantou outro produto, o Sibyl, que usa o aprendizado de máquina para determinar quando os pacientes têm maior probabilidade de comparecer às consultas, para ajudar os funcionários da recepção nas clínicas de saúde a criar horários. Fels diz que o sistema permitiu que os hospitais melhorassem tanto a eficiência de suas operações que reduziram o tempo médio que os pacientes esperam para consultar um médico de 55 para 13 dias.

Como parte do CHAIN, o Sibyl usa de maneira semelhante uma variedade de pontos de dados para otimizar agendas, permitindo prever com precisão o comportamento em ambientes onde outros modelos de aprendizado de máquina podem ter problemas.

Os fundadores também estão explorando maneiras de aplicar essa abordagem para ajudar a direcionar pacientes do Covid-19 para clínicas de saúde com capacidade suficiente. Esse trabalho está sendo desenvolvido com o diretor de inovação da Serra Leoa, David Sengeh SM ’12 PhD ’16.

Empurrando fronteiras

Construir soluções para alguns dos sistemas de saúde mais subdesenvolvidos do mundo pode parecer uma maneira difícil para uma empresa jovem se estabelecer, mas a abordagem é uma extensão da missão fundadora da macro-eyes de criar soluções de saúde que podem beneficiar as pessoas em todo o mundo igualmente.

“Como organização, nunca podemos assumir que os dados estarão esperando por nós”, diz Fels. “Aprendemos que precisamos pensar estrategicamente e pensar em como acessar ou gerar os dados necessários para cumprir nosso mandato: tornar preditiva a prestação de serviços de saúde em todos os lugares”.

A abordagem também é uma boa maneira de explorar inovações em campos matemáticos nos quais os fundadores passaram suas carreiras trabalhando.

“A necessidade é absolutamente a mãe da invenção”, diz Sra. “Isso é inovação impulsionada pela necessidade.”

E, daqui para frente, o trabalho da empresa em ambientes difíceis só deve facilitar o dimensionamento.

“Pensamos todos os dias em como tornar nossa tecnologia mais rapidamente implantável, mais generalizável e mais escalável”, diz Sra. “Como chegamos ao imenso poder de levar o verdadeiro aprendizado de máquina aos problemas mais importantes do mundo sem gastar décadas e bilhões de dólares na construção de infraestrutura digital? Como saltamos para o futuro? ”

Artigo relacionado: Nos bastidores, os cientistas se preparam para o teste da vacina COVID-19