Desenvolvimento de Algoritmos de Previsão de Desfechos Clínicos em Pacientes com Traumatismo Cranioencefálico usando Monitorização Não-Invasiva da Pressão Intracraniana e Parâmetros Relacionados com Machine Learning.

• Processo: 23/14666-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2024
• Data de Término da vigência: 30 de abril de 2025
• Área de conhecimento: Ciências da Saúde - Medicina - Cirurgia
• Pesquisador responsável: Wellingson Silva Paiva
• Beneficiário: Lucca Biolcati Palavani
• Instituição Sede: Faculdade de Medicina (FM). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Aprendizado computacional Pressão intracraniana Neurocirurgia
• Palavra(s)-Chave do Pesquisador: machine learning | Monitorização não invasiva | Pressão intracraniana | Traumatismo crânioencefálico | Neurocirurgia

Resumo

O traumatismo cranioencefálico (TCE) é uma preocupação global de saúde pública, afetando principalmente a faixa etária ativa da população. Nos Estados Unidos e no Brasil, o TCE é uma das principais causas de morbidade e mortalidade, com milhares de pacientes sofrendo sequelas significativas após o trauma. Este estudo visa melhorar a previsão de desfechos neurológicos em pacientes com TCE, utilizando métodos de monitorização da pressão intracraniana (PIC) não invasivos e técnicas avançadas de Machine Learning (ML). O projeto coletará dados de monitorização não invasiva da PIC, juntamente com informações clínicas, e aplicará algoritmos de ML, incluindo regressão linear e logística, floresta aleatória, redes neurais, SVM, árvores de decisão, PCA, algoritmos de agrupamento, e redes neurais recorrentes para desenvolver modelos de previsão. O objetivo é criar um sistema preciso e personalizado para prever desfechos clínicos, melhorando a intervenção médica e os planos de tratamento. Os resultados dos algoritmos serão comparados com modelos de referência baseados em métodos invasivos de monitorização da PIC, e as análises estatísticas serão realizadas para validar a precisão dos modelos desenvolvidos. Este projeto representa uma abordagem inovadora para a gestão de pacientes com TCE, integrando tecnologias não invasivas de monitorização da PIC com ML para oferecer uma medicina personalizada e melhorar os desfechos clínicos dos pacientes.