Machine learning para a predição de lesões subclínicas em pequenos vasos cerebrais

• Processo: 25/01366-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Ciências da Saúde - Saúde Coletiva - Epidemiologia
• Pesquisador responsável: Alexandre Dias Porto Chiavegatto Filho
• Beneficiário: Marianna Gerardo Hidalgo Santos Jorge Leite
• Instituição Sede: Faculdade de Saúde Pública (FSP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Aprendizado computacional Predição
• Palavra(s)-Chave do Pesquisador: lesões subclínicas | machine learning | Predição | Predição

Resumo

Lesões subclínicas em pequenos vasos cerebrais são alterações patológicas que, embora não causem sintomas clínicos evidentes, podem ser detectadas por meio de técnicas avançadas de neuroimagem. Essas lesões incluem microinfartos cerebrais, lacunas, hiperintensidades da substância branca, microhemorragias e espaços perivasculares aumentados, todas elas associadas a um aumento do risco de declínio cognitivo, acidente vascular cerebral (AVC) e mortalidade. A identificação precoce dessas lesões e o manejo adequado dos fatores de risco, como hipertensão, são cruciais para mitigar a progressão dessas lesões e suas consequências clínicas. Estudos anteriores têm explorado o uso de agentes antiplaquetários para o manejo dessas lesões, mas há uma lacuna significativa no entendimento dos fatores preditores dessas lesões ao longo do tempo. Este projeto propõe o uso de algoritmos de machine learning para predizer a progressão das lesões subclínicas. A pesquisa utilizará dados de quatro ondas do Estudo Longitudinal da Saúde do Adulto (ELSA-Brasil), uma investigação multicêntrica de coorte composta por 15 mil funcionários de seis instituições públicas de ensino superior e pesquisa das regiões Nordeste, Sul e Sudeste do Brasil. Serão incluídas variáveis clínicas e scores de hábitos de vida, e aplicados algoritmos de machine learning como random forest e XGBoost para avaliar a sua performance em predizer a progressão de lesões subclínicas.