Nem todas as inovações médicas, que agora são cada vez maiores, são bem- sucedidas. Temos a oportunidade de aprender com os erros do passado? Quais podem ser as razões para o sucesso ou fracasso de uma determinada solução? Ao planejar o programa da 3a edição da conferência AI & MEDTECH CEE, dedicamos especial atenção a dois aspectos. Primeiro, ele deve ser prático, ou seja, queremos apresentar as experiências de entidades (por exemplo, instituições médicas) que já implementaram soluções inovadoras específicas, em vez de apenas falar sobre as oportunidades que elas criam.
Segundo, queremos nos concentrar mais na perspectiva do paciente e no valor que as inovações representam sob a perspectiva dele “, garante Diana Żochowska, Diretora da Medonet. Dados limitados ou tendenciosos podem certamente ser considerados um dos problemas, pois interferem no funcionamento adequado dos algoritmos de IA que são treinados neles.
Na área da saúde, o viés de dados pode ocorrer se os dados usados para treinar o algoritmo não forem representativos da população de pacientes ou se certos grupos estiverem sub-representados nos dados. Além disso, algoritmos de IA desenvolvidos sem validação clínica adequada podem ser imprecisos ou pouco confiáveis em condições reais. A validação clínica envolve testar o algoritmo em dados reais de pacientes e comparar suas previsões com diagnósticos e tratamentos realizados por profissionais de cuidados com a saúde humanos.