Coordenador(a): | LUIZ SERGIO FERNANDES DE CARVALHO | ||||
Vigência: | 01/04/2023 a 31/08/2024 | ||||
Situação: | Ativo | ||||
Programa/Curso: | Gerontologia - Stricto Sensu | ||||
Escola: | {nme_escola} | ||||
Agência: | Universidade Católica de Brasília | ||||
Edital: | UCB 054/2022 | ||||
Chamada | UCB 054/2022 - CHAMADA Pesquisa | ||||
Resumo: Justificativa. A insuficiência cardíaca (IC) e a doença arterial coronariana (DAC) impõem uma carga econômica importante nos países de baixa e média renda (LMICs). Prever os indivíduos com alto risco de hospitalizações, morte e doença renal em estágio terminal (DRT) especificamente neste grupo de pacientes é um grande passo para realizar ações preventivas intensivas. O grande desafio na predição de eventos clínicos é que os métodos tradicionais têm baixa precisão e as informações individuais dos pacientes, incluindo resultados clínicos, são escassas em LMICs como o Brasil. Portanto, propomos construir e testar novos modelos preditivos de morte, hospitalização e DRT em indivíduos com IC que usam técnicas de aprendizado de máquina (ML) como estratégias-chave. Objetivos e métodos. Nosso objetivo principal é construir um modelo para avaliar o risco de hospitalização, morte e desenvolvimento de DRT após a alta em pacientes hospitalizados por DAC ou IC, usando o modelo de aprendizado de máquina em comparação com algoritmos clínicos padrão. Os objetivos secundários são (i) identificar pacientes com maior risco de custo durante o acompanhamento; (ii) identificar custos evitáveis no atendimento ambulatorial; e (iii) gerar uma ferramenta de previsão de risco on-line para o desenvolvimento de DRT em indivíduos com IC. Examinaremos um conjunto de: (i) cinco bancos de dados retrospectivos brasileiros de pacientes com IC (4.900 indivíduos); (ii) cinco bases de dados brasileiras retrospectivas de pacientes com DAC (5.100 indivíduos); (iii) bases de dados prospectivas de 3 hospitais brasileiros (10.000 indivíduos). Os critérios de inclusão são: (i) IC independente da fração de ejeção reduzida ou preservada ou da síndrome coronariana aguda admitida em um hospital; (ii) dados de acompanhamento disponíveis ou acessíveis; (iii) idade> 18 anos; Os critérios de exclusão são: (i) pacientes em diálise por mais de 90 dias antes da inclusão do estudo; (ii) receptores de transplante renal. Resumidamente, usando conjuntos de dados retrospectivos brasileiros, treinaremos os modelos independentemente, separando as amostras de treinamento e validação. Em seguida, testaremos a consistência das previsões no banco de dados em potencial. Os modelos serão criados usando uma versão adaptada do código DeepHit usando o TensorFlow for Python. Resumidamente, o DeepHit emprega uma arquitetura de rede que consiste em uma única sub-rede compartilhada e uma família de sub-redes específicas para cada evento clínico de interesse. Os bancos de dados prospectivos serão construídos com o acordo do lado institucional (hospitais) e do lado do paciente. Uma ferramenta de previsão de risco on-line será criada com dois profissionais experientes em tecnologia da informação (TI), um para o front-end e outro para o back-end. Resultados esperados. As análises propostas contribuirão para um diagnóstico mais preciso da saúde da população, permitindo identificar os indivíduos de maior risco à saúde e aqueles com maior chance de implicar em aumento de custos. Essas estimativas são o principal elo para o fornecimento de informações úteis que podem impedir a carga de doenças, as perdas de produtividade e reduzir o custo dos cuidados. Este projeto também ajudará a estabelecer estratégias de governança em torno do uso de dados e resultados analíticos, além de operacionalizar análises e incorporar lições do mundo real. Por fim, um resultado importante a ser esperado é o lançamento de uma plataforma on-line disponível ao público para óbito, hospitalizações e avaliação de risco de DRT em indivíduos com IC e DAC. |
|||||
Equipe: |
|||||
Orçamento Aprovado:
|