Uso da Inteligência Artificial mediante utilização de métodos de análise de dados de complacência intracraniana e questionários Validados para Diagnóstico de Pacientes Acometidos pela Fibromialgia

• Processo: 24/02015-0
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de abril de 2024
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Física
• Pesquisador responsável: Vanderlei Salvador Bagnato
• Beneficiário: Antonio Eduardo de Aquino Junior
• Instituição Sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07276-1 - CEPOF - Centro de Pesquisa em Óptica e Fotônica, AP.CEPID
• Assunto(s): Diagnóstico Fibromialgia Inteligência artificial Biofotônica
• Palavra(s)-Chave do Pesquisador: diagnóstico | Fibromialgia | Inteligência Artificial | Biofotônica

Resumo

A fibromialgia é uma doença que acomete cerca de 2 a 4% da população e não possui forma diagnóstica clara. Neste contexto, o desenvolvimento de uma metodologia diagnóstica, com alta confiabilidade e assertividade é necessária. Assim, no atual momento de avanço tecnológico, a utilização de Inteligência artificial como meio de ampla análise de dados é um meio confiável e que pode suprir a ausência da metodologia diagnóstica. Desta forma, o presente trabalho tem como objetivo utilizar diversas formas de dados não invasivos como base para alimentação da IA permitindo assim uma análise apurada e de rápido apontamento clínico. Os dados não invasivos podem ser obtidos por meio de instrumentos de avaliação de complacência intracraniana e questionários validados internacionalmente, além do apontamento de sintomas em anamneses. Para o desenvolvimento da IA, será feita uma exploração dos dados e o tratamento das correlações das variáveis através de um código em python que será desenvolvido, para a determinação das correlações por meio de um Heatmap utilizando a biblioteca Seaborg no compilador Spyker. Na sequência, será aplicado um teste de análise de variância (ANOVA) para determinar se as médias dos grupos/requisitos são ou não diferentes entre si. Será utilizado uma biblioteca chamada pandas. Também aplicaremos uma análise e teste de normalidade, como o Shapiro-Wilk e Levene, através do desenvolvimento de scripts em Python, com posterior análise de componentes principais para a determinação do perfil de agrupamento da amostra. Haverá ainda a aplicação de desenvolvendo análise de machine learning, onde um algoritmo busca o desenvolvimento de uma linha separando os grupos em duas classes distintas, escolhendo assim um hiperplano que está mais próximo da outra classe, onde haverá o aprendizado da máquina não paramétrico, classificando a amostra por regressão.