Machine Learning para predição de risco em cirurgia torácica oncológica e comparação com modelos tradicionais

• Processo: 22/12874-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2023
• Data de Término da vigência: 31 de janeiro de 2025
• Área de conhecimento: Ciências da Saúde - Medicina - Cirurgia
• Pesquisador responsável: Ricardo Mingarini Terra
• Beneficiário: Renata Matheus Faccioli
• Instituição Sede: Instituto do Coração Professor Euryclides de Jesus Zerbini (INCOR). Hospital das Clínicas da Faculdade de Medicina da USP (HCFMUSP). Secretaria da Saúde (São Paulo - Estado). São Paulo , SP, Brasil
• Assunto(s): Cirurgia torácica Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Cirurgia Torácica | machine learning | Oncologia Torácica | Predição de risco | Cirurgia torácica

Resumo

Introdução: Modelos clássicos de predição de risco são atualmente utilizados como ferramentas auxiliares para a tomada de conduta em cirurgia torácica. A aplicação de tecnologias como machine learning combinada a bancos de dados progressivamente mais robustos apresenta a oportunidade de desenvolvimento de modelos com capacidade preditiva cada vez maior. Objetivos: Este estudo tem como objetivo principal desenvolver um modelo de machine learning para predição de risco de mortalidade em 90 dias após ressecção pulmonar e comparar seu desempenho em relação ao de modelos bem estabelecidos em cirurgia torácica, utilizados como benchmark. Ademais, tem como objetivos secundários desenvolver modelos de machine learning para predição de ocorrência de complicações cardiopulmonares e de sobrevida global. Métodos: Serão utilizados dados de 1850 pacientes com neoplasia pulmonar submetidos a ressecção com intuito curativo, extraídos do Registro Brasileiro de Tratamento Cirúrgico de Câncer de Pulmão (RBCP). A performance dos modelos de classificação será avaliada de acordo com a AUC e a razão O:E. Adicionalmente, para o modelo de predição de sobrevida global serão avaliados índice de concordância, IBS e evolução temporal da AUC. Os resultados do modelo de predição de mortalidade em 90 dias serão comparados com os resultados dos modelos de benchmark, que serão avaliados com a mesma metodologia.