Construindo Conhecimento Causal para a Resposta ao COVID-19

A COVID-19 apareceu do nada no começo de 2020, e os cientistas precisaram agir rápido, mesmo com muita incerteza rolando. No início, não tinha muita informação boa ou conhecimento sobre o vírus. Muitos modelos iniciais se basearam em suposições e estimativas pra trabalhar com as poucas informações que tinham. Como não havia métodos confiáveis pra identificar e confirmar essas suposições, nossa equipe começou a desenvolver uma nova forma de construir uma base de conhecimento. Esse novo método se chama Engenharia de Conhecimento Causal (CKE).

A CKE foi feita pra criar uma base de conhecimento estruturada que consiste em vários Modelos Causais, focando especificamente em diferentes aspectos da COVID-19. Os desafios que encontramos durante esse processo nos permitiram tentar novas abordagens em como coletamos e organizamos essas informações. No final das contas, a CKE serve como um método pra criar uma base de conhecimento que pode ajudar a desenvolver diversos modelos adaptados pra usos específicos.

#Entendendo a Engenharia de Conhecimento Causal

No fundo, a CKE ajuda a construir uma base de conhecimento causal. Esse conhecimento é organizado de um jeito que permite a criação de diferentes modelos que servem pra várias aplicações. Em termos simples, a CKE ajuda a juntar conhecimento sobre como a COVID-19 funciona e como ela afeta as pessoas.

Em muitos casos, os cientistas criam modelos pra simular sistemas do mundo real. Um tipo de modelo que usamos se chama Rede Bayesian, que é uma representação gráfica onde cada ponto (ou nó) simboliza uma variável, e cada seta indica uma relação entre essas variáveis. Normalmente, essas relações mostram como uma variável pode influenciar outra. Enquanto as Redes Bayesian tradicionais dependem de dados estatísticos detalhados, nossa abordagem com a CKE permite a criação desses modelos mesmo com dados limitados.

#O Contexto da COVID-19

Quando a COVID-19 começou a se espalhar, havia muitas dúvidas sobre como o vírus funcionava e como impactava a saúde das pessoas. A falta de dados confiáveis dificultava a análise e previsão de desfechos relacionados à doença. Dado esse contexto, nossa equipe focou em desenvolver uma base de conhecimento causal que capturasse o que sabíamos sobre a COVID-19 à medida que ela evoluía.

O processo de engenharia do conhecimento exigiu que trabalhássemos rápido e fôssemos flexíveis por causa da situação. Usamos métodos de engenharia de conhecimento já existentes, mas adaptamos eles pra se encaixar melhor nos desafios únicos trazidos pela COVID-19. Nosso processo de CKE nos permitiu coletar conhecimento qualitativo sobre o vírus, o que ajudou a criar modelos causais que podiam ser ajustados conforme novas informações surgiam.

#Estudo de Caso da COVID-19

O processo de CKE para nosso estudo de caso da COVID-19 aconteceu ao longo de quatro meses, de março a julho de 2020. No início, não tínhamos uma aplicação específica em mente pros nossos modelos, então tivemos que considerar os tipos de conhecimento que seriam valiosos em várias aplicações potenciais. Decidimos focar em três aspectos principais da COVID-19: diagnóstico e testes, os processos biológicos iniciais do vírus, e complicações que surgiam de infecções graves.

Nosso objetivo era criar uma base de conhecimento que pudesse apoiar modelos futuros especificamente adaptados pra várias aplicações. Enquanto construíamos a base de conhecimento, garantimos que ela incorporasse conhecimento de especialistas e revisões conforme novas descobertas surgiam de pesquisas e coleta de dados em andamento.

#Os Desafios que Enfrentamos

A COVID-19 apresentou vários desafios que impactaram nossos esforços de modelagem. Primeiro, havia incertezas em relação ao próprio vírus. Enfrentamos dificuldades porque o conhecimento sobre como a COVID-19 funcionava mudava rapidamente, e nem todas as informações disponíveis eram confiáveis. Essa incerteza complicou nosso processo de modelagem, já que precisávamos atualizar frequentemente nossos modelos pra incluir os conhecimentos mais recentes de estudos publicados e opiniões de especialistas.

Outro desafio significativo foi definir quem eram os usuários finais dos nossos modelos. Havia uma necessidade urgente de várias soluções, o que significava que nossa pesquisa às vezes faltava especificidade em relação ao público-alvo ou tomadores de decisão pra nossos modelos. Enquanto navegávamos por esses desafios, percebemos que focar primeiro em uma base de conhecimento causal iria fornecer uma fundação sólida pros modelos que desenvolveríamos depois.

#Por Que Desenvolvemos uma Nova Abordagem

Apesar de já existirem métodos pra criar modelos causais, queríamos desenvolver uma abordagem mais estruturada e direcionada que ajudasse os pesquisadores a construir Bases de Conhecimento rapidamente em situações incertas. Nossa decisão de focar no desenvolvimento de uma base de conhecimento causal foi influenciada pela escassez de dados confiáveis e pela necessidade urgente de conhecimento acionável.

Além disso, reconhecemos que trabalhar com modelos causais seria mais útil pra guiar intervenções eficazes e entender a progressão da doença, em vez de apenas mapear associações sem elos causais claros. Assim, decidimos focar em desenvolver uma base de conhecimento causal que, no final, guiasse a criação de modelos de aplicação voltados pra enfrentar os desafios trazidos pela COVID-19.

#O Processo de CKE

O processo de CKE que desenvolvemos consiste em várias etapas e envolve tanto modeladores quanto especialistas trabalhando juntos pra construir a base de conhecimento causal. Os modeladores desempenham um papel central em guiar o processo de coleta de conhecimento e construção do modelo, enquanto os especialistas contribuem com suas ideias e conhecimentos.

Ao longo do processo, a quantidade de conhecimento cresce gradualmente, o que, por sua vez, apoia cada versão do modelo. Existem diferentes tipos de conhecimento envolvidos, incluindo conhecimento direto que se aplica especificamente à COVID-19, conhecimento transferível de áreas relacionadas, e conhecimento inferível que depende do conhecimento existente pra identificar novas relações causais.

#Coletando Conhecimento

O conhecimento causal pode ser obtido de várias fontes, como modelos existentes, literatura publicada, dados brutos e opiniões de especialistas. Cada tipo de fonte contribui de sua própria maneira, e utilizar uma gama diversificada de conhecimentos ajuda a criar uma base de conhecimento mais robusta.

Para nosso trabalho de modelagem da COVID-19, envolvemos especialistas de várias disciplinas, já que eles tinham insights valiosos que nem sempre estavam registrados na literatura formal. Ao consultar especialistas, conseguimos refinar nossa compreensão da COVID-19 e integrar suas perspectivas em nossos modelos.

#A Estrutura da Base de Conhecimento

A base de conhecimento que construímos consiste em um conjunto de modelos causais organizados de maneira hierárquica. No topo dessa estrutura, há uma estrutura geral que delineia os principais componentes e relações relevantes à COVID-19. Abaixo dessa estrutura estão os modelos causais individuais que fornecem insights específicos sobre diferentes aspectos da doença.

Cada modelo na base de conhecimento tem sua documentação, especificando seu propósito e como foi criado. Essa documentação garante que outras pessoas possam entender a lógica e o raciocínio subjacentes em cada modelo. No geral, a estrutura é flexível o suficiente pra acomodar futuras atualizações à medida que novos conhecimentos são integrados.

#Papéis no Desenvolvimento da Base de Conhecimento

Vários papéis chave são essenciais pra desenvolver a base de conhecimento causal. Esses incluem:

• Líder da Base de Conhecimento Causal: Responsável por supervisionar toda a base de conhecimento.
• Dono do Problema: Define os problemas centrais a serem abordados e guia a direção geral do esforço de modelagem.
• Líder de Aplicação: Foca em criar aplicações derivadas da base de conhecimento, garantindo que as necessidades dos usuários sejam atendidas.
• Fornecedor de Recursos: Fornece financiamento e outros recursos necessários pro processo de desenvolvimento.
• Modeladores: Trabalham no design e desenvolvimento dos modelos causais em si, incluindo a tomada de decisões sobre a estrutura e conteúdo.
• Especialistas: Fornecem conhecimento que pode não estar documentado em outros lugares e validam os modelos com base em sua experiência.

#O Processo de Elicitação

Engajar especialistas é uma parte crítica do processo de CKE. Nosso objetivo é facilitar a coleta de conhecimento de uma maneira que permita tanto conversas estruturadas quanto não estruturadas. Utilizamos várias técnicas, incluindo workshops em grupo, discussões individuais e pesquisas, pra coletar conhecimento de especialistas.

Os workshops serviram como uma plataforma centralizada pra discussões com vários especialistas, enquanto as sessões individuais forneceram oportunidades pra explorar profundamente tópicos específicos. As pesquisas atuaram como ferramentas preparatórias pra coletar insights antes dos workshops e garantir que os participantes entendessem o que esperar.

#Avaliando Progresso e Iteração

À medida que os modelos são desenvolvidos, é essencial avaliar sua eficácia em capturar as relações causais pretendidas. Se um modelo não atender aos seus objetivos, iterações adicionais podem ser necessárias. O processo de CKE enfatiza a importância de avaliações estruturadas e revisões à medida que novas informações se tornam disponíveis.

Por meio dessas iterações, os cientistas podem identificar quaisquer lacunas na base de conhecimento, refinar as estruturas de seus modelos e garantir que os modelos estejam alinhados com o entendimento atual e opiniões de especialistas.

#O Valor da Parametrização Qualitativa

A parametrização qualitativa é um aspecto importante do processo de CKE. Envolve capturar a natureza qualitativa das relações causais dentro dos modelos sem depender de dados quantitativos precisos. Essa abordagem permite que os especialistas verifiquem e validem o comportamento dos modelos e contribui pra construir uma base sólida pra futuras análises quantitativas.

Ao desenvolver insights qualitativos, conseguimos compartilhar nosso conhecimento com outras pessoas e aumentar a usabilidade dos modelos em configurações aplicadas, como tomada de decisão clínica ou avaliação de risco para pacientes com COVID-19.

#Resumo do Processo de CKE

O processo de CKE que desenvolvemos pra nosso estudo de caso da COVID-19 foi influenciado pela necessidade de resposta rápida e pela natureza em evolução do conhecimento em torno do vírus. Ao focar na construção de uma base de conhecimento causal, conseguimos criar um recurso que pode apoiar várias aplicações. A abordagem nos permitiu integrar conhecimento de especialistas, literatura e dados em uma estrutura coesa que pode se adaptar à medida que novas descobertas surgem.

Embora nosso trabalho tenha sido impulsionado pela urgência da pandemia de COVID-19, as lições aprendidas e as estratégias desenvolvidas durante esse processo podem ser aplicadas a futuros esforços de modelagem em outras áreas também. O processo de CKE enfatiza a importância da colaboração entre modeladores e especialistas, uma estrutura flexível e uma abordagem iterativa pra construção de conhecimento. À medida que novos desafios surgem, as lições aprendidas com nossas experiências continuarão a informar nossos esforços de modelagem na abordagem de problemas complexos em saúde e além.