O aprendizado de máquina no contexto da competição das lógicas de padronização e personalização da atenção à saúde

A integração das Tecnologias de Informação e Comunicação na área da saúde criou oportunidades para a utilização de tecnologias analítico-preditivas de Big Data como ferramenta de tomada de decisão. Contudo, trata-se de um ambiente complexo onde diversas lógicas institucionais orientam os diferentes profissionais e atores envolvidos. Pela lente teórica das múltiplas Lógicas Institucionais, podemos identificar o alinhamento de propostas de integração do Aprendizado de Máquina na saúde a partir de duas lógicas principais: uma que enfatiza a padronização do atendimento, apoiada na abordagem científica da prática médica, e outra que prioriza a personalização, que valoriza o cuidado e a atenção individualizados aos pacientes inseridos em suas comunidades. Nossa análise indica que as técnicas e algoritmos utilizados para atingir esses objetivos variam dependendo da lógica institucional prevalente na área dos artigos acadêmicos sobre o uso de Aprendizado de Máquina. Por exemplo, na medicina, o foco está no desenvolvimento de algoritmos para melhoria diagnóstica, o que está associado a estratégias de personalização. Por outro lado, na gestão, a ênfase está nas estratégias de classificação para aumentar a eficiência dos processos de triagem em saúde, o que é típico da padronização. À medida que a tecnologia continua a avançar, as fronteiras entre padronização e personalização tornam-se menos distintas e as duas lógicas convergem. Essa convergência se baseia em propostas de atendimento individualizado que aderem aos padrões médicos estabelecidos, utilizando algoritmos que permitem avanços diagnósticos e terapêuticos, ao mesmo tempo que aumentam a eficiência por meio da automação.