O uso de IA na saúde depende de informações que costumam estar espalhadas entre hospitais, laboratórios, universidades e sistemas públicos. Em vez de levar esses dados para uma grande base central, a computação federada propõe outro caminho: executar análises e modelos nos ambientes onde as informações já estão armazenadas. A ideia é permitir a colaboração entre instituições sem que cada uma deixe de controlar seus próprios prontuários, bancos de dados e regras de acesso. Para o fundador do ConvergeLab, Ronaldo Pedro da Silva, esse é o ponto de partida da plataforma ConvergeCore, concebida pela organização para viabilizar processamento distribuído. “Em vez de mover os dados até a computação, procuramos levar a computação até os dados”, pontua. Na prática, a proposta reúne modalidades diferentes. Na análise federada, uma instituição executa localmente uma consulta ou algoritmo autorizado e retorna resultados permitidos, como indicadores ou estatísticas agregadas. No aprendizado federado, por sua vez, o modelo é treinado ou validado com dados mantidos na origem. “São, portanto, modalidades complementares”, observa Silva. “Uma permite extrair conhecimento coletivo de bases distribuídas, e a outra permite desenvolver e validar modelos de IA sobre essas bases.” Dados locais, conhecimento compartilhado Essa arquitetura pode ser útil quando os dados necessários para uma pesquisa ou modelo estão distribuídos entre organizações autônomas e sujeitos a restrições de privacidade, propriedade intelectual, segurança ou regulação. O objetivo não é criar um fluxo indiscriminado de informações, mas definir o que pode circular em cada tarefa. Além de parâmetros de modelos e métricas, a rede pode usar credenciais, chaves criptográficas e registros de auditoria para autenticar participantes e documentar as operações. Assim, cada instituição define quais análises podem ser executadas em seus sistemas e sob quais regras. Neste caso, hospitais diferentes poderiam, por exemplo, participar de uma mesma análise ou validar um modelo com populações distintas sem transferir os conjuntos de dados clínicos para uma nova base. Esse processo pode ampliar a diversidade das evidências disponíveis para pesquisa e desenvolvimento de IA. Para que instituições diferentes obtenham resultados comparáveis, é necessário preparar e padronizar os dados em cada ambiente. Isso inclui alinhar variáveis, terminologias, unidades de medida e critérios de análise, além de lidar com informações incompletas. “A federação resolve principalmente o problema de onde e sob qual governança a computação ocorre, mas não substitui os processos de interoperabilidade e qualidade dos dados”, explica o executivo. Possibilidades para o SUS No Brasil, a discussão se aproxima de estruturas como a Rede Nacional de Dados em Saúde (RNDS) e a Nuvem Soberana do SUS. Na avaliação de Silva, elas podem fornecer elementos compartilhados de interoperabilidade, identidade, permissões, auditoria e monitoramento, enquanto uma camada federada acrescentaria a execução de análises e modelos em ambientes distribuídos. “Vejo a RNDS e a Nuvem Soberana do SUS como infraestruturas que podem reduzir muito a complexidade de uma rede federada de saúde no Brasil”, pontua. Entre os exemplos de aplicação, está a possibilidade de uma rede de evidências sobre a jornada de pacientes com câncer. Nesse desenho ainda em estudo, unidades do SUS poderiam realizar análises e validações conjuntas, mantendo os dados clínicos sob sua própria custódia e compartilhando apenas os resultados necessários. O desafio de conectar o que já existe Em uma rede federada, cada instituição continua responsável por autorizar o uso de seus próprios dados e acompanhar as operações realizadas em seu ambiente. Para que essa autonomia não inviabilize o trabalho conjunto, os participantes precisam estabelecer regras comuns de acesso, segurança e auditoria. Na prática, isso exige que as instituições não apenas tenham infraestrutura para executar análises localmente, mas também consigam operar de forma coordenada. A rede precisa estabelecer como novos participantes entram, como modelos são atualizados e como eventuais incidentes são acompanhados. O desafio, portanto, não é apenas tecnológico. Transformar dados dispersos em colaboração segura também exige acordos de governança, definição clara de responsabilidades e critérios comuns para avaliar os resultados gerados pela IA. “Não se trata de impedir a circulação necessária de informações, mas de criar alternativas para situações em que centralizar dados não é possível, adequado ou desejável. A computação federada permite pensar em novas formas de colaboração entre instituições, preservando maior controle sobre aquilo que é sensível ou estratégico”, explica o fundador do ConvergeLab. {{WHATSAPP_CHANNEL}}

O uso de IA na sa de depende de informa es que costumam estar espalhadas entre hospitais, laborat rios, universidades e sistemas p blicos. Em vez de levar esses dados para uma grande base central, a computa o federada prop e outro caminho: executar an lises e modelos nos ambientes onde as informa es j est o armazenadas. A ideia permitir a colabora o entre institui es sem que cada uma deixe de controlar seus pr prios prontu rios, bancos de dados e regras de acesso. Para o fundador do ConvergeLab, Ronaldo Pedro da Silva, esse o ponto de partida da plataforma ConvergeCore, concebida pela organiza o para viabilizar processamento distribu do. “Em vez de mover os dados at a computa o, procuramos levar a computa o at os dados”, pontua. Na pr tica, a proposta re ne modalidades diferentes. Na an lise federada, uma institui o executa localmente uma consulta ou algoritmo autorizado e retorna resultados permitidos, como indicadores ou estat sticas agregadas. No aprendizado federado, por sua vez, o modelo treinado ou validado com dados mantidos na origem. “S o, portanto, modalidades complementares”, observa Silva. “Uma permite extrair conhecimento coletivo de bases distribu das, e a outra permite desenvolver e validar modelos de IA sobre essas bases.” Dados locais, conhecimento compartilhado Essa arquitetura pode ser til quando os dados necess rios para uma pesquisa ou modelo est o distribu dos entre organiza es aut nomas e sujeitos a restri es de privacidade, propriedade intelectual, seguran a ou regula o. O objetivo n o criar um fluxo indiscriminado de informa es, mas definir o que pode circular em cada tarefa. Al m de par metros de modelos e m tricas, a rede pode usar credenciais, chaves criptogr ficas e registros de auditoria para autenticar participantes e documentar as opera es. Assim, cada institui o define quais an lises podem ser executadas em seus sistemas e sob quais regras. Neste caso, hospitais diferentes poderiam, por exemplo, participar de uma mesma an lise ou validar um modelo com popula es distintas sem transferir os conjuntos de dados cl nicos para uma nova base. Esse processo pode ampliar a diversidade das evid ncias dispon veis para pesquisa e desenvolvimento de IA. Para que institui es diferentes obtenham resultados compar veis, necess rio preparar e padronizar os dados em cada ambiente. Isso inclui alinhar vari veis, terminologias, unidades de medida e crit rios de an lise, al m de lidar com informa es incompletas. “A federa o resolve principalmente o problema de onde e sob qual governan a a computa o ocorre, mas n o substitui os processos de interoperabilidade e qualidade dos dados”, explica o executivo. Possibilidades para o SUS No Brasil, a discuss o se aproxima de estruturas como a Rede Nacional de Dados em Sa de (RNDS) e a Nuvem Soberana do SUS. Na avalia o de Silva, elas podem fornecer elementos compartilhados de interoperabilidade, identidade, permiss es, auditoria e monitoramento, enquanto uma camada federada acrescentaria a execu o de an lises e modelos em ambientes distribu dos. “Vejo a RNDS e a Nuvem Soberana do SUS como infraestruturas que podem reduzir muito a complexidade de uma rede federada de sa de no Brasil”, pontua. Entre os exemplos de aplica o, est a possibilidade de uma rede de evid ncias sobre a jornada de pacientes com c ncer. Nesse desenho ainda em estudo, unidades do SUS poderiam realizar an lises e valida es conjuntas, mantendo os dados cl nicos sob sua pr pria cust dia e compartilhando apenas os resultados necess rios. O desafio de conectar o que j existe Em uma rede federada, cada institui o continua respons vel por autorizar o uso de seus pr prios dados e acompanhar as opera es realizadas em seu ambiente. Para que essa autonomia n o inviabilize o trabalho conjunto, os participantes precisam estabelecer regras comuns de acesso, seguran a e auditoria. Na pr tica, isso exige que as institui es n o apenas tenham infraestrutura para executar an lises localmente, mas tamb m consigam operar de forma coordenada. A rede precisa estabelecer como novos participantes entram, como modelos s o atualizados e como eventuais incidentes s o acompanhados. O desafio, portanto, n o apenas tecnol gico. Transformar dados dispersos em colabora o segura tamb m exige acordos de governan a, defini o clara de responsabilidades e crit rios comuns para avaliar os resultados gerados pela IA. “N o se trata de impedir a circula o necess ria de informa es, mas de criar alternativas para situa es em que centralizar dados n o poss vel, adequado ou desej vel. A computa o federada permite pensar em novas formas de colabora o entre institui es, preservando maior controle sobre aquilo que sens vel ou estrat gico”, explica o fundador do ConvergeLab. {{WHATSAPP_CHANNEL}}