Long COVID: fenotipagem e caracterização da conectividade estrutural e funcional em pacientes com sequelas cognitivas da COVID-19

• Processo: 22/11786-4
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Vigência (Início): 01 de dezembro de 2022
• Vigência (Término): 31 de maio de 2026
• Área do conhecimento: Ciências da Saúde - Medicina - Clínica Médica
• Pesquisador responsável: Clarissa Lin Yasuda
• Beneficiário: Ítalo Karmann Aventurato
• Instituição Sede: Faculdade de Ciências Médicas (FCM). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/07559-3 - Instituto Brasileiro de Neurociência e Neurotecnologia - BRAINN, AP.CEPID
• Bolsa(s) vinculada(s): 23/11469-1 - Identificação de subgrupos neuropsiquiátricos da síndrome pós-COVID-19 por meio de resting-state fMRI e aprendizado de máquinas baseado em grafos, BE.EP.DD
• Assunto(s): Neurologia Cognição Conectividade funcional Neuroimagem Aprendizado computacional Efeitos a longo prazo do COVID-19 Sequelas da COVID-19 SARS-CoV-2
• Palavra(s)-Chave do Pesquisador: aprendizado de máquinas | cognição | Conectividade Estrutural | conectividade funcional | neuroimagem | Síndrome pós-COVID | Neurologia

Resumo

A presença de sequelas neurológicas da COVID-19 é estabelecida na literatura e pode estar presente mesmo em casos leves a moderados. A chamada COVID longa é caracterizada por sintomas afetivos e cognitivos que impactam de forma significativa a vida daqueles afetados. A caracterização de subtipos desta síndrome clínica ainda não foi realizada, tampouco a forma como estes potenciais subtipos se relacionam com alterações estruturais e funcionais da conectividade cerebral. O objetivo do presente estudo é identificar subtipos neuropsicológicos da síndrome cognitiva pós-COVID utilizando dados da coorte NeuroCovid UNICAMP. Participantes com diagnóstico confirmado de infecção pelo SARS-Cov-2 são avaliados com uma bateria neuropsicológica breve e ressonância magnética multimodal. Os dados serão utilizados para caracterizar subgrupos utilizando-se de técnicas de aprendizado de máquinas não supervisionadas. Os grupos identificados serão comparados para identificação de diferenças de conectividade funcional e estrutural, por meio de técnicas estatísticas bem estabelecidas e por modelos de aprendizado de máquinas baseado em kernels de grafos. Resultados preliminares das análises já demonstraram que sujeitos com histórico de COVID-19 leve a moderado apresentam alterações estruturais da substância cinzenta e conectividade funcional em métricas de grafos e voxel-wise. (AU)