Um grupo de investigadores da Escola Técnica Superior de Engenharia de Telecomunicações da Universidade Politécnica de Madrid (UPM) apresentou um novo método para estimar efeitos de tratamentos médicos, recorrendo à aprendizagem federada, inteligência artificial e inferência causal. Tradicionalmente, os ensaios clínicos aleatorizados são considerados o padrão-ouro para avaliar o impacto de tratamentos, mas apresentam limitações, como a morosidade e restrições éticas que dificultam a sua aplicação em certos contextos.

O novo método desenvolvido pelo Centro de Processamento de Informação e Telecomunicações da ETSIT-UPM responde a estes desafios ao combinar dados observacionais provenientes de diferentes hospitais, sem necessidade de partilha de dados sensíveis entre instituições. Uma das principais dificuldades na análise de dados observacionais reside no viés de atribuição do tratamento: se um tratamento é administrado sobretudo a pacientes com pior prognóstico, os resultados podem ser distorcidos, não reflectindo a verdadeira eficácia da terapia.

A solução proposta, denominada Propensity Weighted Federated Averaging, adapta uma das arquiteturas mais avançadas de redes neuronais para corrigir desequilíbrios na distribuição de tratamentos entre hospitais. Esta abordagem melhora significativamente a precisão na estimativa dos efeitos causais individuais, mesmo em ambientes onde os dados estão dispersos e sujeitos a diferentes critérios de atribuição de tratamentos.

O estudo sublinha ainda a importância de técnicas avançadas de preservação da privacidade, como a privacidade diferencial e a encriptação, para garantir o cumprimento das normas mais rigorosas de proteção de dados. Os investigadores planeiam aprofundar a aplicação destas técnicas em futuros trabalhos, reforçando o compromisso com a confidencialidade dos pacientes.

Este avanço representa um contributo relevante para a investigação médica, permitindo avaliar terapias de forma mais rigorosa em hospitais com recursos limitados e sem comprometer a privacidade dos doentes, com impacto potencial na tomada de decisões em saúde pública a nível global.

Referência: Alejandro Almodóvar, Juan Parras, Santiago Zazo. Propensity Weighted federated learning for treatment effect estimation in distributed imbalanced environments. Computers in Biology and Medicine, Volume 178, 2024, 108779, ISSN 0010-4825,

NR/HN/Alphagalileo