Prevendo eventos cardiovasculares usando aprendizado de máquina

• Processo: 21/06137-4
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de abril de 2022
• Data de Término da vigência: 31 de março de 2026
• Área do conhecimento: Engenharias - Engenharia Biomédica - Engenharia Médica
• Acordo de Cooperação: União Europeia (Horizonte 2020)
• Pesquisador responsável: Paulo Mazzoncini de Azevedo Marques
• Beneficiário: Paulo Mazzoncini de Azevedo Marques
• Pesquisador Responsável no exterior: Peter Rainer
• Instituição Parceira 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
• Bolsa(s) vinculada(s): 25/04100-7 - Aprendizado federado para otimização de modelos de aprendizado de máquina treinados com dados de diferentes sistemas de informação hospitalar., BP.PD; 24/01279-3 - Integração de Modelos de Aprendizado de Máquina na Rotina Diária Hospitalar, BP.TT; 23/01695-4 - Validação e melhoria de modelos de aprendizado de máquina para previsão de eventos cardiovasculares, BP.TT; 22/16683-9 - Aprendizado federado para validação de modelos de aprendizado de máquina treinados em diferentes redes de hospitais, BP.PD
• 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)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

SHIMIZU, GILSON YUUJI; ROMAO, ELEN ALMEIDA; CARDEAL DA COSTA, JOSE ABRAO; MAZZONCINI DE AZEVEDO-MARQUES, JOAO; SCARPELINI, SANDRO; FIRMINO SUZUKI, KATIA MITIKO; CESAR, HILTON VICENTE; AZEVEDO-MARQUES, PAULO M.. External validation and interpretability of machine learning-based risk prediction for major adverse cardiovascular events. 2024 IEEE 37TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS, CBMS 2024, v. N/A, p. 6-pg., 2024-01-01. (14/50889-7, 21/06137-4, 22/16683-9, 23/01695-4)

SHIMIZU, GILSON YUUJI; SCHREMPF, MICHAEL; ROMAO, ELEN ALMEIDA; JAUK, STEFANIE; KRAMER, DIETHER; RAINER, PETER P.; CARDEAL DA COSTA, JOSE ABRAO; DE AZEVEDO-MARQUES, JOAO MAZZONCINI; SCARPELINI, SANDRO; SUZUKI, KATIA MITIKO FIRMINO; et al. Machine learning-based risk prediction for major adverse cardiovascular events in a Brazilian hospital: Development, external validation, and interpretability. PLoS One, v. 19, n. 10, p. 23-pg., 2024-10-11. (21/06137-4, 22/16683-9, 23/01695-4)