Elaboração de um modelo preditivo para função tardia do enxerto com base em imagens pré-implantação

• Processo: 23/13415-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de abril de 2024
• Data de Término da vigência: 31 de março de 2026
• Área do conhecimento: Ciências da Saúde - Medicina - Clínica Médica
• Pesquisador responsável: Luís Gustavo Modelli de Andrade
• Beneficiário: Luís Gustavo Modelli de Andrade
• Instituição Sede: Hospital das Clínicas da Faculdade de Medicina de Botucatu. Universidade Estadual Paulista (UNESP). Campus de Botucatu. Botucatu , SP, Brasil
• Bolsa(s) vinculada(s): 25/08146-1 - Elaboração de um modelo preditivo para função tardia do enxerto com base em imagens pré-implantação, BP.TT; 24/06622-8 - Elaboração de um modelo preditivo para função tardia do enxerto com base em imagens pré-implantação, BP.TT
• Assunto(s): Transplante de rim Enxertos Inteligência artificial Modelos preditivos
• Palavra(s)-Chave do Pesquisador: Função de enxerto | Inteligência Artificial | Modelo preditivo | Transplante renal | Transplante Renal

Resumo

A inteligência artificial, atualmente, está sendo usada para aprender padrões a partir de imagens e relacioná-las aos desfechos clínicos. Os recentes aumentos na capacidade computacional e no volume de dados levaram ao desenvolvimento substancial de técnicas de aprendizado de máquina na solução de problemas de grande relevância na área da saúde. No caso do transplante renal, um dos principais problemas é a função tardia do enxerto, fator de difícil predição e que impacta diretamente na sobrevida do enxerto. Objetivo: Criar modelos para predizer função tardia do enxerto renal com base em imagens pré-implantação do órgão de doador falecido e combinando-as com as características clínicas. O primeiro, a partir de imagens pré-implante captadas por smartphone associadas da função tardia do enxerto e um segundo associando imagens as com dados clínicos dodoador/receptor associadas da função tardia do enxerto Materiais e métodos: Serão recuperadas um total de 1500 fotos dos enxertos pré-implante de diferentes receptores. As fotos poderão ser obtidas a partir de diferentes tipos de smartphones a distância aproximada de 30 cm pelos membros das equipes de transplante nos centros de transplante renal. Também serão coletadas informações dos prontuários médicos. Um modelo baseado em rede neural convolucional (CNN) será usado para extrair as características das imagens, de forma que informações importantes possam ser obtidas para ajuste de regressão. Os modelos CNN utilizados neste estudo para avaliação das imagens serão de 5 arquiteturas: VGG-face, VGG16, ResNet50, DenseNet121 e MobileNet. Para a tarefa de classificação, empregamos cinco algoritmos de classificação diferentes: SVM, K-Nearest Neighbor (KNN), Regressão Linear (LR), Árvore de Decisão (DT) e Análise Discriminante Linear (LDA). Durante o treinamento, os recursos serão divididos em duasamostras:70% para treinamento e 30% para teste. Além disso, usando a divisão de 20%,cada classificador será treinado usando validação cruzada kfold, com k=5. Finalmente, para tarefas de previsão de regressão, o erro absoluto médio (MAE), erro quadrático médio(RMSE), valor R-quadrado e pontuação de variância explicada (EVS) serão calculados. A precisão será avaliada pela área sob a curva ROC (AUC). Conclusão: Apesar de já identificados inúmeros fatores que interferem na função renal apóso transplante, ainda não existe um modelo confiável para prever os resultados funcionais do aloenxerto. Neste contexto, a inteligência artificial ascendeu com potencial de resolver esse problema. (AU)