Projeto sobre formas de prever eventos cardiovasculares com o uso de aprendizado de máquina foi o vencedor da competição de vídeos promovida pelo European Partnership for Personalised Medicine
O Projeto Precare ML, desenvolvido por pesquisadores da Faculdade de Medicina de Ribeirão Preto (FMRP) da USP, venceu a competição de vídeos EP PerMed, promovida pela plataforma de coordenação European Partnership for Personalised Medicine, que reúne ministérios, agências e organizações de financiamento. A plataforma visa melhorar os resultados em sistemas de saúde sustentáveis por meio de pesquisa, desenvolvimento, inovação e implementação de abordagens de medicina personalizada para o benefício de pacientes, cidadãos e sociedade.
Já o projeto busca validar e melhorar modelos de aprendizado de máquina, Machine Learning (ML), em diferentes redes hospitalares e populações, integrá-los em diferentes sistemas de informação hospitalar e avaliar seu impacto na rotina diária do hospital. Além disso, com base nos modelos validados, os pesquisadores pretendem abordar estratégias eficazes de comunicação de risco para efetuar mudanças comportamentais em pacientes.
Paulo Mazzoncini, docente da Divisão de Ciências das Imagens e Física Médica do Departamento de Imagens Médicas, Hematologia e Oncologia Clínica da FMRP, explica que o ML é uma área da Inteligência Artificial que permite aos computadores aprenderem de forma automática por reconhecimento de padrões em grande volumes de dados. O professor da FMRP explica que atualmente, o aprendizado de máquina tem sido utilizado amplamente nas áreas da saúde, detecção de fraudes financeiras, processamento de linguagem natural, entre outras.
Importância da pesquisa
Mazzoncini entende que o uso do ML possibilita ações preventivas, uma vez que auxilia na identificação precoce de pacientes com alto risco para doenças cardiovasculares, como infarto do miocárdio, doença cardíaca isquêmica e acidente vascular cerebral. “Será possível informar ao médico que acompanha o paciente e, se for o caso, encaminhá-lo para tratamentos adequados, diminuindo a possibilidade de ocorrências futuras de eventos cardiovasculares maiores”, finaliza.
Porém, o pesquisador alerta que embora muitos modelos tenham sido desenvolvidos nos últimos anos, a validação ainda é rara. “Ainda não sabemos como os modelos funcionam em diferentes ambientes clínicos ou populações, além disso, como os modelos usam preditores numerosos e diversos, é difícil transferir modelos para outros sistemas de saúde.”, conclui.
O projeto
Segundo Mazzoncini, a pesquisa continua em andamento e conta com a colaboração da Medical University of Graz e da Organização de Hospitais da Estíria, Áustria; Hasso Plattner Institute for Digital Health na Universty Of Potsdam, Alemanha e Karolinska Institute, Suécia. Além dos colaboradores, o projeto também envolve etapas de padronização de dados extraídos de registros eletrônicos de saúde, Electronic Health Record (EHR), como a implementação, o treinamento, validação de modelos de aprendizado de máquina, integração dos modelos nos sistemas de informação dos hospitais e monitoramento da sua efetividade para uso no ambiente clínico real.
Ainda sobre o ML, Mazzoncini detalha que existem vários modelos computacionais de aprendizado de máquina bem estabelecidos e disponíveis para customizações, o professor da FMRP conclui que o projeto utiliza modelos clássicos, treinados para a aplicação específica a partir de dados extraídos de registros eletrônicos de saúde.
O projeto é parcialmente financiado pela Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp) e tem a participação de Kátia Suzuki, analista de Sistemas e Gerente de Business Intelligence do Centro de Desenvolvimento e Formação Continuada em Informática Biomédica da FMRP, Gladys Pierri e Hilton Vicente Cesar, bolsistas de treinamento técnico da Fapesp e dos professores Elen Almeida Romão, José Abrão Cardeal da Costa, João Mazzoncini de Azevedo Marques e Sandro Scarpelini.
O vídeo sobre o projeto está disponível neste link.
Texto: Arthur Santos, estagiário sob supervisão Dr. Fisiologia
Assessoria de Comunicação da FMRP-USP
