Busca avançada
Ano de início
Entree

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)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)