Criação e validação de modelos preditivos de crises epilépticas baseados em aprendizado de máquina aplicado na análise da variabilidade da frequência cardíaca

• Processo: 25/05391-5
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de janeiro de 2026
• Data de Término da vigência: 31 de dezembro de 2028
• Área de conhecimento: Ciências Biológicas - Fisiologia - Fisiologia de Órgãos e Sistemas
• Pesquisador responsável: Norberto Garcia Cairasco
• Beneficiário: Rafael Rodrigues dos Santos
• Instituição Sede: Faculdade de Medicina de Ribeirão Preto (FMRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Vinculado ao auxílio: 24/16992-7 - Explorando a relação bidirecional entre doença de alzheimer e epilepsia. uma análise das alterações na via de sinalização insuliníca cerebral como possível mecanismo de conexão entre as duas doenças., AP.R
• Assunto(s): Inteligência artificial Sistema nervoso autônomo
• Palavra(s)-Chave do Pesquisador: Epilepsias | Inteligência Artificial | Sistema nervoso autonomo | Variabilidade da Frequência Cardíaca não linear | Neurofisiologia; Neurociências

Resumo

A epilepsia é uma doença neurológica caracterizada pela recorrência de crises epilépticas, causadas por uma atividade neuronal anormal excessiva ou síncrona, usualmente associada a eventos anómalos chamados comorbidades, com sérios riscos aos indivíduos afetados. Este estudo representa proposta de avaliação clínica consequente de protocolos com o Wistar Audiogenic Rat (WAR), modelo genético de epilepsia, que além de alterações neurológicas, também apresenta hipertensão arterial, batidas ectópicas, alterações no sistema de controle respiratório central, além de hiperatividade do eixo hipotálamo-hipófise-adrenal. Exames de rotina incluem avaliação semiológica (vídeo das crises) e, obrigatório para diagnóstico, o eletroencefalograma (EEG). Além do EEG, eletromiografia (EMG), e eletrocardiograma (ECG) são examinados. Técnicas que possam prever a ocorrência desses eventos é de grande importância para implementar medidas de segurança. Nesse cenário, a variabilidade da frequência cardíaca (HRV) é uma técnica relativamente simples e não invasiva, derivada do ECG, que consiste na análise das oscilações que ocorrem entre batimentos cardíacos sucessivos, geradas pela influência de fatores fisiológicos, como os da modulação autonômica no coração. A HRV, que é amplamente estudada na clínica, tem impacto no diagnóstico e prognóstico de diversas doenças. Adicionalmente, o aprendizado de máquina (Machine Learning;ML), que permite a criação de modelos preditivos a partir de bases de dados, tem sido utilizado em várias aplicações recentes relacionadas ao auxílio à tomada de decisão clínica. A hipótese deste projeto é: Por meio da utilização de modelos de ML, será possível detectar em registros de pacientes com diagnóstico de epilepsia farmacorresistente, alterações no ECG que sejam objetivamente preditivas da presença subsequente de crises no EEG, associadas ou não a eventos no registro de vídeo (crises clínicas). Portanto, o objetivo desse estudo se baseia na utilização de um amplo conjunto de índices de HRV, derivados de métodos lineares e não lineares, como atributos na criação de modelos preditivos de crises epilépticas por meio da técnica de ML. É um estudo retrospectivo de análise registros do ECG de exames previamente realizados no Centro de Cirurgia de Epilepsia do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto da USP (CIREP-HC-FMRP-USP). (AU)