Pular para o conteúdo
Even3

Rodas de ConversaOutros

Aplicações e desafios do aprendizado de máquina em biologia

Gravado no evento X-Meeting XPerience 2021 · 3 h 8 min de gravação

Trechos em vídeo

Sobre o conteúdo

O vídeo registra uma mesa-redonda multidisciplinar sobre aprendizado de máquina aplicada à biologia, saúde e agronegócio, associada ao evento anual da Associação Brasileira de Bioinformática e Biologia Computacional (AB3C). O moderador Fábio Patroni abre o encontro apresentando o formato da sessão, composta por quatro palestras temáticas de trinta minutos seguidas por um bloco de debate e respostas às dúvidas do público.

O que é abordado

  1. Abertura e apresentação dos participantes
  2. Fundamentos e fronteiras do aprendizado de máquina (Leonardo Tomazeli Duarte)
  3. Desafios éticos e aplicações de machine learning em saúde (Alexandre Chiavegatto Filho)Trecho de 1 min 54 sTrecho de 1 min 58 s
  4. Transformação digital e IA no agronegócio (Tavvs Alves)Trecho de 1 min 56 s
  5. Criação e adoção de healthbots na saúde (André Kazuo Takahata)
  6. Mesa-redonda: aplicações clínicas e primeiros passos em IA
  7. Discussão: controle de vieses, dados de treinamento e low-code
  8. Considerações finais e encerramento

Dúvidas que o conteúdo responde

Qual é a diferença central entre inferência estatística tradicional e aprendizado de máquina na saúde?

Na bioestatística e nos estudos clássicos de inferência, o foco analítico está em estimar os parâmetros da função (os coeficientes beta) para entender a associação isolada de fatores e causalidade. Em machine learning, a prioridade principal está no valor preditivo do desfecho (y), permitindo modelar a complexidade multifatorial do mundo real sem se restringir a explicações simplistas da relação entre variáveis.

Como o viés algorítmico surge nos modelos de machine learning em saúde?

Os algoritmos aprendem padrões diretamente de dados gerados por humanos e sistemas sociais. Se os dados históricos contêm discriminações ou se certas populações são sub-representadas — como ocorre quando grande parte dos prontuários eletrônicos provém apenas de hospitais e pacientes de alta renda —, o modelo pode reproduzir essas disparidades e ter desempenho inferior para grupos vulneráveis.

Quais passos os professores recomendam para iniciantes na área de ciência de dados e machine learning?

Recomenda-se iniciar o aprendizado prático com linguagens de programação amplamente adotadas na área, como Python, aproveitando bibliotecas abertas como Scikit-learn e tutoriais gratuitos online. Além disso, destacou-se a importância de manter uma sólida base em estatística e álgebra linear, exercitar o diálogo multidisciplinar com especialistas do domínio de estudo e atentar-se às questões éticas.

O uso de ferramentas low-code ou point-and-click é indicado para projetos profissionais na área biológica?

Os especialistas apontam que ferramentas visuais ou automatizadas podem servir como porta de entrada educacional para testes preliminares, mas apresentam desvantagens em projetos avançados. A falta de controle fino sobre hiperparâmetros, reamostragens e arquiteturas complexas costuma limitar a solução, tornando a programação explícita (em Python ou R) a abordagem mais robusta e segura para a pesquisa científica e aplicação prática.

Assuntos

  • Machine Learning
  • Inteligência Artificial
  • Saúde Digital
  • Agricultura de Precisão
  • Chatbots
  • Ética em IA
  • Bioinformática
  • AB3C

Outros conteúdos deste evento

Gravados no evento X-Meeting XPerience 2021