Predição de óbitos segundo causa básica com machine learning em uma amostra longitudinal de 502.632 indivíduos

• Processo: 17/09369-8
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Vigência: 01 de fevereiro de 2018 - 31 de julho de 2020
• Área do conhecimento: Ciências da Saúde - Saúde Coletiva - Epidemiologia
• Pesquisador responsável: Alexandre Dias Porto Chiavegatto Filho
• Beneficiário: Alexandre Dias Porto Chiavegatto Filho
• Instituição Sede: Faculdade de Saúde Pública (FSP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Pesquisadores associados: Marcel de Moraes Pedroso
• Assunto(s): Predição Mortalidade Big data Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: big data | machine learning | mortalidade | Predição | Análise preditiva em saúde

Resumo

Avanços recentes em capacidade computacional e na disponibilidade de grandes bancos de dados têm permitido o aumento do uso de métodos preditivos de inteligência artificial, conhecidos como machine learning. Na saúde, a predição da ocorrência de óbitos pode ajudar a melhorar decisões sobre a necessidade e a intensidade de tratamento médico e o estabelecimento de prioridades para internação. O projeto analisará os resultados do UK Biobank, um estudo longitudinal de 502.632 indivíduos acompanhados desde 2006-2010, que coletou características socioeconômicas, demográficas, fatores de risco, informações sobre histórico de saúde, medidas antropométricas e amostras de sangue e de urina, totalizando mais de 600 variáveis. Os óbitos são coletados continuamente por linkage e estima-se que ao início deste projeto tenham ocorrido mais de 25.000 óbitos de participantes. Serão testadas as performances de 10-20 modelos de machine learning para predizer óbito em 1, 2 e 5 anos por mortalidade geral e segundo grupos de causas básicas, utilizando as variáveis coletadas no baseline. Após a identificação do algoritmo com melhor performance preditiva, será testada a sua capacidade de generalização no estudo Saúde Bem-Estar e Envelhecimento (Projeto Temático 14/50649-6). O projeto permitirá identificar se é possível predizer com boa acurácia quem irá a óbito, e por qual causa, utilizando um grande número de características iniciais. O orçamento será utilizado para o pagamento da taxa de transferência dos dados e para a compra de duas máquinas especializadas em machine learning e big data. O projeto estabelecerá uma nova parceria entre o Laboratório de Big Data e Análise Preditiva (LABDAPS) da FSP/USP e a Plataforma de Ciência de Dados Aplicada à Saúde da Fiocruz-RJ. (AU)

Publicações científicas

(4)

(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)

DOS SANTOS, HELLEN GEREMIAS; ZAMPIERI, FERNANDO GODINHO; NORMILIO-SILVA, KARINA; DA SILVA, GISELA TUNES; PEDROSO DE LIMA, ANTONIO CARLOS; CAVALCANTI, ALEXANDRE BIASI; PORTO CHIAVEGATTO FILHO, ALEXANDRE DIAS. Machine learning to predict 30-day quality-adjusted survival in critically ill patients with cancer. JOURNAL OF CRITICAL CARE, v. 55, p. 73-78, FEB 2020. (17/09369-8, 09/17245-0)

HELLEN GEREMIAS DOS SANTOS; CARLA FERREIRA DO NASCIMENTO; RAFAEL IZBICKI; YEDA APARECIDA DE OLIVEIRA DUARTE; ALEXANDRE DIAS PORTO CHIAVEGATTO FILHO. Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil. Cadernos de Saúde Pública, v. 35, n. 7, 2019-07-29. (17/09369-8)

PORTO CHIAVEGATTO FILHO, ALEXANDRE DIAS; DOS SANTOS, HELLEN GEREMIAS; DO NASCIMENTO, CARLA FERREIRA; MASSA, KAIO; KAWACHI, ICHIRO. Overachieving Municipalities in Public Health: A Machine-learning Approach. EPIDEMIOLOGY, v. 29, n. 6, p. 836-840, NOV 2018. (17/09369-8)

BATISTA, ANDRE F. M.; DINIZ, CARMEN S. G.; BONILHA, ELIANA A.; KAWACHI, ICHIRO; CHIAVEGATTO FILHO, ALEXANDRE D. P.. Neonatal mortality prediction with routinely collected data: a machine learning approach. BMC PEDIATRICS, v. 21, n. 1, JUL 21 2021. (17/09369-8)