Avaliação de fatores prognósticos em meningiomas: aplicação de aprendizado de máquina supervisionado em um estudo de corte transversal

• Processo: 23/13832-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2024
• Data de Término da vigência: 31 de março de 2025
• Área de conhecimento: Ciências da Saúde - Medicina - Cirurgia
• Pesquisador responsável: Ricardo Santos de Oliveira
• Beneficiário: Amanda Lima Leite
• Instituição Sede: Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto da USP (HCMRP). Ribeirão Preto , SP, Brasil
• Assunto(s): Aprendizado computacional Meningioma Neurocirurgia
• Palavra(s)-Chave do Pesquisador: machine learning | meningioma | Neurocirurgia | Neurocirurgia

Resumo

Meningiomas são tumores cerebrais originados a partir de células meningoendoteliais, geralmente benignos que podem apresentar sinais e sintomas variados, dependendo do tamanho e localização. O estudo e a utilização da Inteligência Artificial (IA) na medicina têm um crescimento exponencial. Sistemas computacionais que utilizam IA estão sendo utilizados em oncologia e radiologia na busca de diagnósticos mais rápidos e precisos, gerando consequentemente, tratamentos mais eficientes, auxiliando na seleção da melhor estratégia para cada caso, por meio da análise de dados clínicos e de imagem. Este projeto tem como objetivo avaliar a epidemiologia de indivíduos diagnosticados com meningioma em um serviço de referência em neurocirurgia e identificar fatores associados aos desfechos cirúrgicos desfavoráveis desses indivíduos usando o XGBoost, modelo de aprendizado de máquina recente que tem mostrado excelentes resultados. Trata-se de uma pesquisa de corte transversal, com coleta de informações de sujeitos diagnosticados com meningiomas atendidos no Hospital das Clínicas de Ribeirão Preto desde 2011. Os dados serão coletados do banco de dados do hospital e incluirão informações epidemiológicas, clínicas e de desfecho neurológico dos pacientes que serão inseridos em modelos preditivos para identificação de fatores associados ao prognóstico pós-operatório utilizando o método de aprendizado de máquina.