Machine learning (ou aprendizado de máquinas, em português) é uma técnica aplicada em várias áreas da ciência. Um dos usos mais recentes foi para acelerar o desenvolvimento de implantes que ajudam a curar ferimentos.

A equipe de pesquisa usou uma abordagem de machine learning para prever a quantidade de materiais conforme os parâmetros de impressão. Eles descobriram também que o controle da velocidade de impressão é essencial para fazer implantes com alta qualidade. Eles são liderados por Lydia Kavraki, da Rice's Brown School of Engineering.

Os implantes possuem estruturas semelhantes a ossos e servem como substitutos para o tecido lesado. Eles são porosos para suportar o crescimento de células e vasos sanguíneos que, posteriormente, substituem esse implante. Um dos objetivos desses implantes é melhorar as técnicas de cicatrização de feridas craniofaciais e músculo-esqueléticas.

O trabalho evoluiu para incluir a impressão 3D sofisticada para fazer um implante biocompatível que se encaixa no local de uma ferida. Com a ajuda de machine learning, o processo de projetar os implantes pode ser muito mais rápido e eliminar boa parte da “tentativa e erro”.

Com a pesquisa liderada por Kavraki, eles foram capazes de identificar quais parâmetros são mais prováveis de afetar a qualidade de impressão. Dentre as cinco métricas medidas, a velocidade de impressão foi a mais importante. As demais são, em ordem decrescente de importância: composição do material, pressão, camadas e espaçamento.

Foram exploradas duas abordagens de modelagem. A primeira era um método de classificação para prever se um determinado conjunto de parâmetros produziria um implante de qualidade baixa ou alta. A segunda era baseada em uma regressão que aproximava os valores das métricas de qualidade de impressão para chegar a um resultado. Ambas são provenientes de uma técnica de aprendizado supervisionado que constrói árvores de decisão.

A expectativa é de que, a longo prazo, seja possível entender quais materiais podem fornecer diferentes tipos de implantes impressos e até prever resultados para materiais não testados ainda. Para isso, é preciso ter mais dados. A pesquisa completa foi publicada na revista Tissue Engineering Part A.

O que você acha das aplicações de machine learning em diferentes áreas da ciência? Deixe seu comentário!

Veja Também: Pesquisadores desenvolvem pele eletrônica que pode reagir a estímulos externos

Fontes: Rice University.

Larissa Fereguetti

Cientista e Engenheira de Saúde Pública, com mestrado, também doutorado em Modelagem Matemática e Computacional; com conhecimento em Sistemas Complexos, Redes e Epidemiologia; fascinada por tecnologia.