Técnicas de aprendizado de máquina em séries temporais para a estimação de parâmetros clínicos utilizando smartphones

• Processo: 20/07787-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2020
• Data de Término da vigência: 31 de agosto de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Lucas Vinícius Domingues
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Inteligência artificial Aprendizado computacional Smartphone Testes hematológicos Fotopletismografia Análise de séries temporais Modelos de regressão
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Inteligência Artificial | Séries Temporais | Inteligência Artificial

Resumo

Este projeto possui o intuito de propor técnicas de aprendizado de máquina em séries temporais para dados de fotoplestimografia obtida a partir de smartphones e avaliar sua adequabilidade em comparação a exames tradicionais para a medição de hemoglobina, bilirrubina, saturação de oxigênio e leucócitos. Inicialmente, serão obtidos dados de pacientes voluntários do Hospital Universitário da UFSCar, que cederão os resultados de seu exame de sangue, assim como um vídeo de seu dedo gravado por um smartphone no modo "flash ligado" e fotos de seus olhos. Em seguida, serão utilizadas técnicas de processamento nos vídeos fornecidos para a geração de séries temporais, que serão utilizadas para a criação de modelos de regressão para a estimação dos parâmetros clínicos. Na criação do modelo, serão usadas Redes Neurais Recorrentes (RNRs), que irão ser treinadas a partir das séries temporais obtidas e anotadas a partir dos resultados laboratoriais dos exames. Caso obtenha sucesso, o modelo poderá ser usado em smartphones para a predição desses parâmetros clínicos, sem que haja a necessidade de processos caros e/ou invasivos.