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

• Processo: 25/10356-4
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de agosto de 2025
• Data de Término da vigência: 31 de janeiro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Marcos André Gonçalves
• Beneficiário: José Carlos Serufo Filho
• 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 | Ciência de dados e Inteligência Artificial | informática em saúde | Inteligência Artificial | Informática médica Inteligência artificial

Resumo

O projeto proposto tem como objetivo o desenvolvimento de métodos de InteligênciaArtificial (IA) para a predição de desfechos clínicos e econômicos na saúde, com ênfasena identificação de pacientes resilientes a drifts temporais nos dados. O avanço detecnologias de informação tem sido essencial no enfrentamento de epidemias como aCOVID-19, oferecendo soluções para diagnóstico, rastreamento e prognóstico dospacientes. No entanto, desafios permanecem na capacidade preditiva dos modelos,especialmente devido a mudanças nos dados ao longo do tempo (drifts temporais) e ànatureza multimodal dos dados de saúde, que incluem registros eletrônicos, imagensmédicas, dados laboratoriais e sinais de sensores como ECG e EEG.A busca na integração dessas diferentes fontes de dados em representações semânticasmultimodais, com o intuito de melhorar a precisão das predições, adaptando-se àsvariações temporais observadas, como mudanças no perfil dos pacientes ao longo dapandemia é um desafio. A pesquisa será conduzida por meio da análise de grandesconjuntos de dados de saúde, com foco em pacientes resilientes a esses drifts temporais,e será aplicada inicialmente ao contexto da COVID-19, expandindo-se para outrascondições como complicações cardiovasculares, necessidade de terapia intensiva epredição de custos no tratamento.A metodologia envolve a criação de modelos de IA que integrem dados multimodais, arealização de experimentos para ajustar os modelos e a produção de artigos científicospara disseminar os resultados. O impacto esperado é a melhoria da prática clínica e dagestão em saúde, ao oferecer ferramentas mais precisas para a tomada de decisões,baseadas em modelos que considerem a evolução temporal dos dados. (AU)