Prevendo eventos cardiovasculares usando aprendizado de máquina

• Processo: 21/06137-4
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Vigência: 01 de abril de 2022 - 31 de março de 2025
• Área do conhecimento: Engenharias - Engenharia Biomédica - Engenharia Médica
• Convênio/Acordo: União Europeia (Horizonte 2020)
• Pesquisador responsável: Paulo Mazzoncini de Azevedo Marques
• Beneficiário: Paulo Mazzoncini de Azevedo Marques
• Pesq. responsável no exterior: Peter Rainer
• Instituição no exterior: University of Graz, Áustria
• Instituição Sede: Faculdade de Medicina de Ribeirão Preto (FMRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Pesquisadores associados: André Schmidt ; Elen Almeida Romão ; João Mazzoncini de Azevedo Marques ; José Abrão Cardeal da Costa ; Sandro Scarpelini
• Assunto(s): Aprendizado computacional Diagnóstico precoce Nefropatias Doenças cardiovasculares Aterosclerose Gestão de riscos Previsão de riscos
• Palavra(s)-Chave do Pesquisador: Cardiovascular disease | Federated Learning | machine learning | Major adverse cardiac event | Model Validation | Risk Management | Aprendizado de Máquina

Resumo

A doença cardiovascular é a principal causa de morte em todo o mundo. A aterosclerose subjacente e as condições subsequentes, como enfarte do miocárdio, doença cardíaca isquêmica e acidente vascular cerebral, causam enorme morbidade, mortalidade e perdas econômicas. A identificação precoce de pacientes com alto risco para tais eventos clínicos possibilita ações preventivas. O uso de aprendizado de máquina (ML) para previsão de risco pode superar as pontuações de risco tradicionais. Embora muitos modelos de ML tenham sido desenvolvidos nos últimos anos, a validação é rara. Não sabemos como os modelos funcionam em diferentes contextos clínicos ou populações. Além disso, usando vários preditores, é difícil transferir modelos para outros sistemas de saúde. Recentemente, desenvolvemos modelos de predição de risco para os principais eventos cardiovasculares adversos e progressão da doença renal. No entanto, os modelos ainda carecem de validação externa, dificultando a implementação em diferentes contextos clínicos e limitando a generalização. Como tal, este projeto tem três objetivos principais. O primeiro é validar e melhorar nossos modelos de ML em diferentes redes de hospitais e populações. O segundo objetivo é integrar os modelos de ML em diferentes sistemas de informação hospitalar e avaliar o seu impacto na rotina diária do hospital. Finalmente, com base nesses modelos validados, o terceiro objetivo aborda estratégias eficazes de comunicação de risco a fim de efetuar mudanças comportamentais nos pacientes. Portanto, nosso projeto traz uma contribuição fundamental para o emprego inovador da previsão de risco personalizada na medicina, bem como para avaliação da sua implementação clínica em um contexto transnacional. (AU)