Aprendizado federado para otimização de modelos de aprendizado de máquina treinados com dados de diferentes sistemas de informação hospitalar.

• Processo: 25/04100-7
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 30 de abril de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: União Europeia (Horizonte 2020)
• Pesquisador responsável: Paulo Mazzoncini de Azevedo Marques
• Beneficiário: Hilton Vicente César
• Instituição Sede: Faculdade de Medicina de Ribeirão Preto (FMRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Vinculado ao auxílio: 21/06137-4 - Prevendo eventos cardiovasculares usando aprendizado de máquina, AP.R
• Assunto(s): Aprendizado computacional Aprendizado federado
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado federado | eventos cardiovasculares | Major Adverse Cardiovascular Events (MACE) | Sistema de Informação Hospitalar | Sistema de Registro Eletrônico de Saúde | Aprendizado Federado

Resumo

Embora vários modelos de aprendizado de máquina (ML) que usam dados de registros eletrônicos de saúde (EHR) tenham sido desenvolvidos nos últimos anos, há uma grande necessidade de validação externa desses modelos. Os modelos de previsão podem ter um bom desempenho em um centro com uma população semelhante aos dados de treinamento, mas podem ter um desempenho pior em centros com diferentes características de paciente. A fim de desenvolver modelos que sejam generalizáveis e discriminem igualmente bem entre diferentes coortes, estudos multicêntricos devem ser considerados. No entanto, esses estudos multicêntricos costumam ser limitados se exigirem o compartilhamento de dados do paciente em um local centralizado. Mesmo que os dados sejam anonimizados antes de serem compartilhados, existe sempre algum risco de comprometimento do anonimato em certos tipos de dados. Abordagens baseadas em aprendizado federado contornam essas limitações através do compartilhamento de modelos e métricas em vez de dados, possibilitando a melhoria da generalização dos modelos de predição ao mesmo tempo que salvaguardam a privacidade dos pacientes. O projeto aqui proposto busca aplicar conhecimentos das áreas de harmonização de dados, implementação, validação, adaptação e integração de modelos de aprendizado de máquina no ambiente clínico para previsão de risco de ocorrência de eventos adversos cardiovasculares maiores (major adverse cardiovascular events - MACE).