Sistematização de um sistema de Inteligência Artificial para Melhoria dos Resultados de Doenças Infecciosas em Receptores de Transplante Renal

• Processo: 25/02134-1
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• 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 - Metodologia e Técnicas da Computação
• Pesquisador responsável: José Fernando Rodrigues Júnior
• Beneficiário: Ivar Vargas Belizario
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 24/04761-0 - Inteligência Artificial para Melhoria dos Resultados em Doenças Infecciosas em Receptores de Transplante Renal (AIIDKIT), AP.R
• Assunto(s): Otimização
• Palavra(s)-Chave do Pesquisador: Aprendizado de maquina por reforço | Lista de espera de transplante | otimização | Informatica aplicada a medicina

Resumo

Aprendizagem profunda (AP) provou ter sucesso em uma ampla gama de domínios, de acústica e imagens até processamento de linguagem natural. No entanto, aplicar aprendizado profundo a dados modelados como grafos é uma tarefa não trivial devido às propriedades únicas dos grafos. Recentemente, uma quantidade significativa de pesquisas têm sido dedicada a essa área, melhorando notavelmente técnicas de análise de grafos. Empregar estas novas técnicas no domínio médico ainda é sem precedentes, mas com grande potencial para contribuições ao analisar Registros Médicos Eletrônicos (RMEs) usando gráficos e redes neurais artificiais. Neste contexto, este projeto tem foco na atividade de fenotipagem computacional por meio da análise das entidades inerentes aos RMEs, estreitando as causas, sintomas, procedimentos e tratamentos de uma ou mais doenças com mais precisão do que os métodos anteriores e também com mais confiabilidade, concisão e auto-interpretabilidade através de agrupamento hierárquico semi-supervisionado em redes neurais de grafos (RNGs). As atividades relacionadas a tal tarefa incluem lidar com as várias questões relacionadas à aplicação da aprendizagem profunda no contexto específico de dados clínicos usando grafos. Esses problemas incluem demandas de pré-processamento para produzir conjuntos de dados clínicos grandes e limpos; modelagem de informações complexas por meio de grafos; aperfeiçoar as arquiteturas de AP em relação aos problemas específicos do tratamento prognóstico; rodadas de testes de treinamento iterativo para obter métodos altamente precisos; e validação clínica dos resultados. Os resultados esperados, por outro lado, são de amplo interesse para a comunidade científica nacional e internacional.