| Processo: | 22/11786-4 |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado Direto |
| Data de Início da vigência: | 01 de dezembro de 2022 |
| Data de Término da vigência: | 31 de maio de 2026 |
| Área de 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) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |