Modelos de Aprendizado de Máquina Clínico de Código Aberto: Avaliação Crítica da Viabilidade, Vantagens e Desafios

Aplicações de aprendizado de máquina prometem aumentar as capacidades clínicas e pelo menos 64 modelos já foram aprovados pela Administração de Alimentos e Medicamentos dos EUA. Essas ferramentas são desenvolvidas, compartilhadas e utilizadas em um ambiente em que as regulamentações e forças de mercado permanecem imaturas. Uma consideração importante ao avaliar esse ambiente é a introdução de soluções de código aberto nas quais inovações são compartilhadas livremente; tais soluções têm sido uma faceta da cultura digital há muito tempo. Discutimos a viabilidade e as implicações do aprendizado de máquina de código aberto em uma infraestrutura de saúde construída sobre informações proprietárias. O custo reduzido de desenvolvimento em comparação com drogas e dispositivos, uma cultura duradoura de produtos de código aberto em outras indústrias e o início de caminhos regulatórios favoráveis ao aprendizado de máquina juntos permitem o desenvolvimento e a implantação de modelos de aprendizado de máquina de código aberto. Essas ferramentas têm vantagens distintas, incluindo maior integridade do produto, personalização e custo menor, levando a um aumento no acesso. No entanto, questões significativas sobre preocupações de engenharia relacionadas à infraestrutura de implementação e segurança do modelo, falta de incentivos pela proteção da propriedade intelectual e regras de responsabilidade nebulosas complicam significativamente a capacidade de desenvolver tais modelos de código aberto. Em última análise, a reconciliação do aprendizado de máquina de código aberto e o ambiente de saúde orientado por informações proprietárias exige que formuladores de políticas, reguladores e organizações de saúde ativamente elaborem um mercado favorável no qual desenvolvedores inovadores continuarão a trabalhar e colaborar.