Validação e melhoria de modelos de aprendizado de máquina para previsão de eventos cardiovasculares

• Processo: 23/01695-4
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de abril de 2023
• Data de Término da vigência: 31 de março de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: União Europeia (Horizonte 2020)
• Pesquisador responsável: Paulo Mazzoncini de Azevedo Marques
• Beneficiário: Hilton Vicente César
• Instituição Sede: Faculdade de Medicina de Ribeirão Preto (FMRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Vinculado ao auxílio: 21/06137-4 - Prevendo eventos cardiovasculares usando aprendizado de máquina, AP.R
• Assunto(s): Aprendizado computacional Aprendizado federado Computação em informática médica Doenças cardiovasculares
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado federado | eventos cardiovasculares | Mace | Ciência da Computação em Medicina

Resumo

O objetivo geral do projeto é desenvolver modelos de previsão para MACE (Major adverse cardiovascular events) que possam ser utilizados em contextos clínicos diversos. Como objetivo específico, pretende-se verificar se o aprendizado federado resultará em maior poder de generalização dos modelos desenvolvidos pelo consórcio de centros de pesquisa. O bolsista deverá organizar e pré-processar a coorte local de pacientes, garantindo a harmonização dos dados em conformidade com os padrões adotados pelos parceiros internacionais. O bolsista também deverá apoiar o processo de validação e atualização do modelo de aprendizado de máquina que será disponibilizado pelo consórcio, o que será feito através de uma abordagem de aprendizagem federada, ou seja, os dados dos pacientes permanecerão privados localmente.

Publicações científicas

(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)

SHIMIZU, GILSON YUUJI; SCHREMPF, MICHAEL; ROMAO, ELEN ALMEIDA; JAUK, STEFANIE; KRAMER, DIETHER; RAINER, PETER P.; CARDEAL DA COSTA, JOSE ABRAO; DE AZEVEDO-MARQUES, JOAO MAZZONCINI; SCARPELINI, SANDRO; SUZUKI, KATIA MITIKO FIRMINO; et al. Machine learning-based risk prediction for major adverse cardiovascular events in a Brazilian hospital: Development, external validation, and interpretability. PLoS One, v. 19, n. 10, p. 23-pg., 2024-10-11. (21/06137-4, 22/16683-9, 23/01695-4)

SHIMIZU, GILSON YUUJI; ROMAO, ELEN ALMEIDA; CARDEAL DA COSTA, JOSE ABRAO; MAZZONCINI DE AZEVEDO-MARQUES, JOAO; SCARPELINI, SANDRO; FIRMINO SUZUKI, KATIA MITIKO; CESAR, HILTON VICENTE; AZEVEDO-MARQUES, PAULO M.. External validation and interpretability of machine learning-based risk prediction for major adverse cardiovascular events. 2024 IEEE 37TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS, CBMS 2024, v. N/A, p. 6-pg., 2024-01-01. (14/50889-7, 21/06137-4, 22/16683-9, 23/01695-4)