Uma equipe que desenvolve um produto de IA costuma esbarrar num problema simples de descrever e difícil de resolver: os dados úteis estão espalhados por organizações que não podem ou não querem compartilhá-los. Um estudo publicado em 13 de outubro mostra uma alternativa para um caso específico: levar o modelo até os dados, em vez de centralizar os dados.
O que os pesquisadores fizeram
Pesquisadores adaptaram um modelo de leitura de radiografias de adultos para ajudar a localizar tubos respiratórios em imagens de recém-nascidos. Para isso, usaram 2.965 radiografias de 30 unidades de terapia intensiva neonatal em 20 países e territórios. Em vez de juntar as imagens, treinaram o modelo sucessivamente nos hospitais, mantendo os dados em cada instituição. O estudo foi publicado na Nature Biomedical Engineering em 13 de outubro.
Segundo o relato da Harvard Medical School, também publicado em 13 de outubro, o modelo adaptado teve erro médio de 0,67 cm ao localizar a ponta do tubo. Modelos adultos adaptados com dados pediátricos de um único hospital tiveram erro médio de 1,29 cm; o modelo adulto original, 4,30 cm. A abordagem superou modelos de um só hospital em 29 dos 30 locais avaliados.
Por que importa para quem constrói produtos
O resultado aponta para um caminho de desenvolvimento quando dados são sensíveis, regulados ou simplesmente difíceis de reunir: permitir que cada organização treine localmente uma versão do modelo e compartilhe o modelo atualizado, não os registros usados no treinamento. Isso pode abrir espaço para colaboração entre instituições sem criar um repositório central com todos os dados.
A ideia é relevante para equipes que constroem produtos com informações distribuídas entre empresas, clínicas ou unidades. Mas o estudo não prova que a estratégia funcione automaticamente em qualquer setor. O teste foi uma demonstração de viabilidade numa tarefa médica bem delimitada, com radiografias de recém-nascidos.
Sugestão prática
Para um produto que dependa de dados mantidos por parceiros, vale mapear primeiro se o principal impedimento é compartilhar os registros ou se há outros, como falta de rótulos confiáveis e diferenças entre os dados de cada local. Se a barreira for o compartilhamento, uma experiência pequena pode avaliar treinamento local e atualização sequencial do modelo. Defina antes como comparar o resultado entre parceiros e como detectar piora em um local específico.
Limitações
O modelo estudado identifica a posição de um tubo em radiografias; não diagnostica doenças nem está descrito como ferramenta liberada para uso clínico em bebês. A própria equipe apresenta o trabalho como prova de princípio. Os números medem desempenho nessa tarefa e nesses dados, não uma garantia de precisão para outros modelos, grupos ou produtos. Manter os dados no local também não resolve, por si só, questões de governança, segurança ou validação.