Além da predição de custos em saúde relacionados a dislipidemias e outros fatores de risco cardiometabolico: análise explicativa por aprendizado de estrutura e algoritmos de inferência causal

• Processo: 22/14123-6
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 09 de abril de 2023
• Data de Término da vigência: 08 de abril de 2024
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Flávia Mori Sarti
• Beneficiário: Jean Michel Rocha Sampaio Leite
• Supervisor: Dominik Heider
• Instituição Sede: Escola de Artes, Ciências e Humanidades (EACH). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Instituição Anfitriã: Philipps-Universität Marburg, Alemanha
• Vinculado à bolsa: 20/15899-2 - Associação entre dislipidemias e dispêndios em saúde em nível populacional: Escores de risco poligênico e modelagem de microssimulação computacional., BP.DR
• Assunto(s): Variação genética Ciência de dados Dislipidemias Doenças cardiovasculares Custos dos cuidados de saúde Estudo de associação genômica ampla
• Palavra(s)-Chave do Pesquisador: causal inference | Deep GWAS | Dyslipidemia | Genetic Variation | Health Costs | Ciência de Dados

Resumo

As doenças cardiovasculares (DCV) são as principais causas de mortalidade em todo o mundo, levando a óbitos prematuros e perda de qualidade de vida para populações em diversos países. Eles também impõem um custo socioeconômico substancial para indivíduos, comunidades e sistemas de saúde. As dislipidemias, caracterizadas por alterações nos níveis lipídicos, representam fatores de risco significativamente associados às DCV devido ao seu envolvimento na fisiopatologia da aterosclerose e acarretam um ônus substancial para os sistemas nacionais de saúde. Há evidências robustas sobre o papel de marcadores metabólicos e genéticos como fatores de risco para DCV e dislipidemia. No entanto, os mecanismos exatos e as contribuições que cada um desses marcadores podem ter nas características lipídicas e nos custos de saúde, e como eles se relacionam em termos de relações causais ainda não foram desvendados. Desenvolver e empregar métodos estatísticos e de ciência da computação que abordem relações causais nesses dados específicos é uma tarefa desafiadora com o potencial de facilitar e acelerar o progresso em pesquisa. Para isso, serão utilizados Aprendizagem de Estrutura e o algoritmo Fast Causal Inference (FCI) para facilitar a tradução desse conhecimento na clínica. Este projeto representa uma oportunidade para explorar novos dados e abordagens de inferência causal no contexto brasileiro, e permitirá a simulação de cenários futuros no sistema de saúde para prevenção, tratamento e controle de doenças. (AU)