Painel Médico - Mudaram os Aparelhos da Academia - Análise Preditiva

Painel Médico - Mudaram os Aparelhos da Academia - Análise Preditiva

Os investigadores, bem como profissionais de saúde, muitas vezes sentem-se como se estivessem afogando-se num mar de dados que continua a aumentar. Para ajudar a comunidade das ciências da vida a sustentar o ritmo das descobertas - e entregar os tratamentos de última geração de forma mais rápida e acessível - a Indústria Farmacêutica está adotando técnicas e tecnologias avançadas de Mineração de Dados.

A Mineração de Dados refere-se a exploração semi-automática de análise de grandes quantidades de dados para descobrir regras e padrões significativos. Usamos análise estatística, inteligência artificial e tecnologia de aprendizagem de máquina para identificar padrões que não possam ser encontrados sozinhos pela análise natural.

Anteriormente as técnicas iniciais de Mineração de Dados - associadas com teorias estatísticas e algoritmos de inteligência artificial rudimentares - muitas vezes produziam resultados decepcionantes. Pode-se pôr a culpa em vários fatores: ferramentas desnecessariamente complexas, falta de conhecimento de Mineração de Dados, e insuficientes sucessos publicamente visíveis. O amadurecimento da tecnologia continuou nos últimos anos e ampliou suas capacidades e estatura como ferramenta vital no processo de descoberta de drogas. Novas aplicações de Mineração de Dados apresentaram análises expandidas, interfaces amigáveis ​​e poderosos algoritmos que permitem aos pesquisadores analisarem dados estruturados e não estruturados. Com treinamento, a Mineração de Dados agora pode ser feita num computador pessoal com inúmeros diferentes pacotes de software comerciais de código aberto. Hoje, os pesquisadores científicos podem minerar seus dados para encontrar novos fatores, novas pistas promissoras e metas. Além disso também podem deparar-se com novos conhecimentos médicos, sem a necessidade de um PhD em Mineração de Dados. O progresso continua num ritmo surpreendente! 

Prevendo Eventos Futuros

Em seus anos inicias, a Mineração de Dados foi utilizada principalmente para a aprendizagem não supervisionada, na qual o objetivo das análises era descobrir padrões ou tendências sem fazer suposições sobre a estrutura dos dados. Este aprendizado não supervisionado envolvia a identificação de clusters (grupos de fatos não previamente conhecidos) e associações (padrões em que um evento é de alguma forma ligado a outro). Tais primeiros exemplos, muitas vezes tratavam de problemas esotéricos, tais como encontrar aglomerados de estrelas ou associações ocultas que antes eram desconhecidas. A Mineração de Dados foi muitas vezes rotulada como experimental e não comprovada.

As coisas mudaram drasticamente. Hoje, um pesquisador, por exemplo, pode usar a Mineração de Dados para encontrar grupos de subtipos de doenças, na esperança de encontrar os subtipos que concentrem alvos específicos ou tratamentos mais precisos. Os algoritmos agora ajudam os investigadores, por exemplo, selecionam subconjuntos de genes que provavelmente podem ajudar na identificação de canceres.

O futuro da mineração encontra-se na Análise Preditiva, através da simplificação e automatização do processo de Mineração de Dados - permite-se análises avançadas para serem aplicadas em todo o espectro das ciências da vida - desde a descoberta de drogas, indo através do marketing. Os pesquisadores, por exemplo, podem usar a Análise Preditiva para encontrarem fatores associados a uma doença ou preverem qual paciente responderá melhor a um tratamento experimental.

Num ambiente de cuidados de saúde, os provedores podem usar a Análise Preditiva para preverem resultados médicos, encontrar fatores associados com pacientes de maior custo, médicos e instalações de cuidados, e até mesmo detectar fraudes em seguros. Além disso, os fabricantes de produtos farmacêuticos podem usar a tecnologia para aumentar a eficiência e a eficácia das suas iniciativas de marketing, prevendo quais médicos são mais propensos a prescrever novos medicamentos e identificar pacientes com maiores probabilidades de serem clientes de alto valor.

Referências

www.nlm.nih.gov/pubs/factsheets/medline.html

Berry, MJA e Linhoff, G. Técnicas de Mineração de Dados para Marketing, Vendas e Suporte ao Cliente . Wiley, 1997.

Berger, A. e Berger, CR "A mineração de dados como uma ferramenta para o desenvolvimento de pesquisa e conhecimento em enfermagem." CIN Maio / Junho de 2004.

Stephens, S. e Tamayo, P. "técnicas de mineração de dados supervisionadas e não supervisionadas para as ciências da vida." Curr Drogas Disc Junho de 2003.

Agosta, L. "O futuro da mineração de dados -. Análise preditiva" DM Rev Agosto de 2004.

Blumberg, R. e Atre, S. "O problema com dados não estruturados." DM Rev Fevereiro de 2003.

Alonso, O. e Ford, Text Mining R. com Oracle Text. Janeiro de 2004 (PDF em http://www.oracle.com/

brazilsalesforceeffectiveness@gmail.com