Predição de Desfechos Clínicos e Econômicos por Meio de Representações Semânticas MultiModais de Pacientes Resilientes a Drifts Temporais

• Processo: 25/01959-7
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 31 de outubro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Marcos André Gonçalves
• Beneficiário: Isabella Viana Gomes Schettini
• Instituição Sede: Instituto de Ciências Exatas (ICEx). Universidade Federal de Minas Gerais (UFMG). Ministério da Educação (Brasil). Belo Horizonte , SP, Brasil
• Empresa: Universidade Federal de Minas Gerais (UFMG). Instituto de Ciências Exatas (ICEx)
• Vinculado ao auxílio: 20/09866-4 - Centro de Inovação em Inteligência Artificial para a Saúde (CIIA-Saúde), AP.PCPE
• Assunto(s): Ciência de dados Informática médica Inteligência artificial
• Palavra(s)-Chave do Pesquisador: arquitetura de dados | Ciência de dados | informática em saúde | Inteligência Artificial | Ciência de dados e Inteligência Artificial

Resumo

Tecnologias de informação têm se mostrado imprescindíveis no enfrentamento da COVID-19 e de outras epidemias. Nos últimos anos, um dos principais desafios para os profissionais e gestores de saúde foi subsidiar decisões e organizar a assistência à saúde, de maneira a proporcionar rápida resposta a crises, o uso mais eficiente de recursos e melhoria da qualidade de atendimento. Para auxiliar estas equipes, soluções avançadas de IA têm sido propostas para diagnóstico, rastreamento e prognóstico dos pacientes.Apesar dos avanços, tarefas de predição apresentam desafios que limitam a capacidade dos modelos de obter resultados eficazes para a prática clínica. Entre eles, dois aspectos não foram completamente solucionados, constituindo nossos problemas-alvo: (i) o tratamento de drifts temporais nos dados e (ii) a representação de pacientes a partir de dados multimodais.O desafio temporal relaciona-se ao impacto das variáveis ao longo do tempo nos modelos de predição. Um exemplo é a mudança do perfil observada nos pacientes infectados pela COVID-19 nas diferentes ondas da pandemia. Um estudo nosso recente, mostrou as diferenças no perfil da mortalidade intra-hospitalar, considerando idade mediana, bem como as cinco variáveis mais preditivas do modelo, ao longo de um curto período de tempo. Estes drifts temporais afetam negativamente a capacidade preditiva dos modelos, já que o padrão induzido de dados anteriores pode não ser relevante para novos dados.Apesar dos desafios, a área da saúde oferece muitas oportunidades para solucionar tais problemas. Uma delas é a natureza multimodal dos dados de saúde disponíveis para as predições, que se apresentam na forma de textos extraídos de prontuários eletrônicos, imagens de exames, dados de exames laboratoriais, ondas de eletrocardiograma (ECG) e eletroencefalograma (EEG). Neste contexto, hipotetizamos que se todas estas informações forem combinadas adequadamente, podemos utilizá-las para mitigar o problema da evolução temporal dos dados, bem como para melhorar a efetividade dos modelos de predição. Neste contexto, o Projeto Registro COVID-19 tem assumido um papel de destaque nacionalmente, por disponibilizar um grande repositório, gerar informações acuradas da COVID-19 e produzir evidências em saúde.A sequência do projeto aqui proposto traz o importante objetivo (geral) de desenvolver novas ferramentas de IA, capazes de auxiliar os profissionais de saúde no diagnóstico e prognóstico, com foco inicial para a COVID-19, mas com ampliação para novos desfechos, tais como necessidade de terapia intensiva, ventilação mecânica e diálise; complicações cardiovasculares; sintomas pós-COVID; e modelos para predição de custos no tratamento de pacientes com base no perfil de consumo de recursos em suas rotas (trajetórias) de cuidado.