Identificação de subgrupos neuropsiquiátricos da síndrome pós-COVID-19 por meio de resting-state fMRI e aprendizado de máquinas baseado em grafos

• Processo: 23/11469-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
• Data de Início da vigência: 01 de janeiro de 2024
• Data de Término da vigência: 30 de junho de 2024
• Área de conhecimento: Ciências da Saúde - Medicina - Clínica Médica
• Pesquisador responsável: Clarissa Lin Yasuda
• Beneficiário: Ítalo Karmann Aventurato
• Supervisor: David Kohan Marzagão
• Instituição Sede: Faculdade de Ciências Médicas (FCM). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: King's College London, Inglaterra
• Vinculado à bolsa: 22/11786-4 - Long COVID: fenotipagem e caracterização da conectividade estrutural e funcional em pacientes com sequelas cognitivas da COVID-19, BP.DD
• Assunto(s): Neuropsicologia Ressonância magnética funcional Neurologia Aprendizado computacional Efeitos a longo prazo do COVID-19
• Palavra(s)-Chave do Pesquisador: aprendizado de máquinas baseado em grafos | Neuropsicologia | Pos-COVID | ressonância magnética funcional | Neurologia

Resumo

A síndrome pós-COVID pode estar presente mesmo após uma doença leve ou moderada, acometendo até 20\% dos infectados e impactando a funcionalidade daqueles acometidos. Um dos principais componentes desta síndrome são os sintomas neuropsicológicos como fadiga, problemas de memória e disfunção executiva.Neste contexto, a caracterização de subtipos neuropsicológicos da síndrome pós-COVID é fundamental para melhor compreender a doença. Adicionalmente, a caracterização destes grupos do ponto de vista de estrutura e função cerebral pode auxiliar na compreenção do fenótipo e sua fisiopatologia.O uso de técnicas de aprendizado de máquina em dados de neuroimagem é uma área em ascenção. A emergência de métodos que lidam com dados na forma de grafos, como graph kernels e graph neural-networks, permite a abordagem de dados derivados da análise de conectividade funcional por meio de resting-state fMRI.No presente projeto visamos a o estudo destes métodos com dados de neuroimagem em duas etapas: primeiramente um estudo piloto com dados de pacientes com epilepsia do lobo temporal visando a localização da zona epileptogênica e, posteriormente, com dados da coorte NeuroCOVID UNICAMP para a identificação de sujeitos infectados pelo COVID e seus subtipos neuropsicológicos.O projeto será desenvolvido em conjunto com o departamento de ciências da computação do King's College de Londres, que tem extensa expertise no estudo de grafos e de técnicas de aprendizado de máquina aplicados a diversos campos do conhecimento.O trabalho desenvolvido até o momento no contexto deste projeto de doutorado mostrou a validade dos construtos neuropsicológicos utilizados e foi capaz de identificar subtipos neuropsicológicos dos sujeitos infectados pela COVID-19. Além disto, o trabalho preliminar com uma técnica simples de classificação (Support Vector Classifier) mostrou o potencial do uso deste tipo de técnica para a identificação de alterações de conectividade relacionadas à infecção pela COVID-19. (AU)