DCC - UFMG
+55 31 3409 5860
ciia-saude@dcc.ufmg.br

EXEMPLOS DE LINHAS DE PESQUISA

Os exemplos descritos nesta seção descrevem algumas linhas de pesquisa para serem desenvolvidas no âmbito do Centro nos primeiros 5 anos de projeto. São linhas já em desenvolvimento por parte da equipe do CIIA-Saúde, e que serão estendidos ao longo do projeto, ou novas linhas que pretendemos desenvolver. Esses exemplos integram os eixos de Saúde e as linhas de pesquisa em IA, descritos acima. O objetivo é ilustrar as enormes possibilidades e potencialidades que um desenvolvimento sinérgico da pesquisa em Saúde e IA podem trazer. Vale ressaltar que os exemplos não são exaustivos, não limitando as possibilidades do que podemos alcançar no médio e longo prazos nesse projeto, dados os objetivos ambiciosos e a qualidade da equipe de pesquisadores do CIIA- Saúde.


Prevenção de doenças crônicas

Contexto: No contexto de prevenção e qualidade de vida, destaca-se a importância das Doenças Crônicas Não Transmissíveis (DCNT), que respondem por 75% das mortes anuais, além de elevadas prevalência de fatores de risco na população adulta brasileira: 55% de excesso de peso, 20% de obesidade, 10% de tabagismo, que podem resultar em 38,8% da perda de DALYs (anos de vida perdidos por morte prematura e incapacidade).133 Torna-se importante identificar indivíduos em riscos de adoecimento e áreas de maior vulnerabilidade visando medidas de prevenção. 

Perguntas: Quais indivíduos ou grupos populacionais irão evoluir com doenças crônicas não transmissíveis (DCNT) no curso de vida? Como estimar indicadores de saúde e fatores de risco para pequenas áreas geográficas? 

Bases/métodos: Bases de dados e inquéritos nacionais, dispositivos vestíveis e dados de sensores virtuais, coortes, bases de dados genéticas; integrar bases de dados pré-existentes (e.g., informações coletadas de redes sociais, interação com centros clínicos, dados de mobilidade, dados censitários) para complementação de dados do SIS. Desenvolver dispositivos embarcados wearable acompanhamento dos indicadores individuais; Implementar sensores físicos e virtuais para coleta dos dados ambientais de pequenas áreas geográficas; Propor técnicas de fusão de dados heterogêneos; Desenvolver modelos de IA para predizer o risco de adoecimento e mortes por DCNT para indivíduos e populações. Visando gerar estimativa de pequenas áreas, usaremos um conjunto de estratégias de modelagem de IA, como “generalized stacking” para gerar predições da variável de interesse em toda a área geográfica. Ao construir essas predições, utilizaremos modelos geoestatístico bayesiano e covariáveis por setor censitário, visando estimar indicadores para pequenas áreas.

Resultados: Identificar populações e áreas de risco, visando a implementação de políticas públicas de promoção da saúde; Disponibilizar para os gestores as melhores evidências sobre os desfechos da adoção de políticas públicas mais eficazes de promoção à saúde, melhorias nos serviços de saúde e dos cuidados implementados. No âmbito individual predizer riscos e prover recomendações personalizadas que facilitem escolhas saudáveis e melhores de possibilidades de cuidado e autocuidado.

voltar


Telemonitoramento e tecnologias móveis

Contexto: Tecnologias baseadas na web e/ou móveis/vestíveis têm sido cada vez mais usadas em saúde mental, e têm se demonstrado moderadamente eficazes, particularmente quando guiadas por coaching humano, que depende de profissionais minimamente treinados, mas frequentemente indisponíveis ou insuficientes. A falta de personalização e a incapacidade de adaptação às necessidades ou preferências do usuário resulta em pior adesão e resultados. O armazenamento de dados de saúde mental é hoje feito em um ponto único centralizado, apresentando vulnerabilidades de robustez e baixa tolerância a falhas.

Perguntas: Como identificar riscos e sintomas de transtornos mentais por meio do uso de tecnologias móveis, telemonitoramento/telemetria/vestíveis? Como usar dados individuais e bases coletivas para estimar riscos e permitir diagnósticos e intervenções precoces em transtornos mentais? 

Bases/métodos: A abordagem envolverá a seleção de um conjunto de instrumentos diagnósticos para transtornos mentais mais prevalentes, compatíveis com plataformas digitais e o desenvolvimento de novos sensores; avaliação de novas arquiteturas de armazenamento, que ao mesmo tempo mantêm a privacidade e segurança; desenvolvimento de um conjunto de ferramentas de interatividade e modelos de IA com human on the loop, e otimização por meio de testes de usabilidade. Incluirá um estudo clínico controlado duplo-cego e randomizado, comparando-o a instrumentos tradicionais de diagnóstico de transtornos mentais. A aplicação da análise adaptativa de aprendizado de máquina a aplicativos móveis tem o potencial de criar uma nova geração de ferramentas, que podem revolucionar a maneira como esses processos são conceitualizados, projetados e implantados. Ao mesmo tempo, a aplicação será compatibilizada com os padrões estabelecidos pela GDPR e a LGPD. 

Resultados/produtos: (1) Recomendações individualizadas baseadas nos hábitos individuais-Algoritmos de IA para adaptação da mensagem aos meios (bots, SMS, e-mail, pop-ups de celular) contemplando aspectos culturais e regionais. (2) Tecnologia para armazenamento seguro de dados-O armazenamento será criptografado, suportando autenticação e controle de acesso, portado pelos indivíduos ou responsáveis. Dessa forma, será possível alimentar a IA com dados clínicos anonimizados e conferir aos pacientes ou responsáveis o acesso aos dados de maneira segura. (3) Plataforma digital integrada para auxílio no diagnóstico e manejo dos pacientes-A identificação e validação de parâmetros e indicadores clínicos e fisiológicos, em uma plataforma digital, segura e de uso simples, tem o enorme potencial em facilitar e otimizar o diagnóstico e o cuidado dos pacientes. (4) O investimento na eficiência que a tecnologia pode proporcionar deverá ampliar o alcance e resultados do cuidado à saúde mental, oferecendo cuidados que estão ausentes ou de baixa qualidade no SUS, ampliando as chances de diagnósticos confiáveis, independentemente da localização do indivíduo; Novos padrões e protocolos de comunicação; novos sensores; novos algoritmos de IA para a saúde. Essas inovações poderão ser estendidas a uma gama maior de ferramentas, baseadas na web e direcionadas a outros problemas de saúde mental.

voltar


Diagnóstico orientado por IA

Contexto: A melhoria do acesso ao sistema de saúde passa pela automação e pela melhoria da acuidade e da reprodutibilidade dos métodos diagnósticos rotineiros, embora os desafios sejam distintos para diferentes modalidades de exames. A eletrocardiograma é um método de uso rotineiro para o diagnóstico das doenças cardiovasculares, cujo acesso tem aumentado no Brasil, em decorrência da miniaturização dos equipamentos, expansão da atenção primária à saúde e da Rede de Telessaúde de Minas Gerais, hoje presente em 2500 pontos de atenção em todo o Brasil.134 Os sistemas convencionais de leitura automática tem acuidade limitada e experiência iniciais de nosso grupo apontam para melhor acuidade do diagnóstico com o uso de IA.135 Outra situação na qual a IA pode trazer benefícios para a saúde é na automação do rastreamento da cardiopatia reumática por tele-ecocardiograma.136 A cardiopatia reumática é uma principais doenças cardíacas em pessoas no Brasil, com impacto na qualidade de vida e na sobrevida: encontramos a doença subclínica em 0,5% dos jovens no Brasil, mas o rastreamento feito por médicos é impossível de ser estendido a toda a população.137 O reconhecimento dos achados típicos em vídeos de ultrassom cardíaco obtidos por não médicos por telemedicina poderia fazer com que o processo de rastreamento fosse usado de rotina. O mesmo se aplica ao reconhecimento e quantificação, em lâminas de histopatologia, de esteatose hepática, que pode ser usado para estratificação de risco e gerenciamento de pacientes com doenças hepáticas gordurosas ou à quantificação de linfócitos infiltrantes de tumores, que são associados à resposta imune do paciente à doença. Assim, o diagnóstico orientado pela IA pode facilitar a tarefa e liberar recursos em saúde (humanos e físicos) para ações terapêuticas e de gestão. Por outro lado, a automação deve permitir a privacidade, a segurança e a interpretabilidade, de modo a levar a interação com o especialista e evitar erros sistemáticos no diagnóstico. 

Pergunta: É possível utilizar técnicas de IA para auxiliar o reconhecimento de padrões em diferentes exames complementares em saúde, como ECG, ecocardiograma e lâminas de histopatologia, de modo a automatizar o diagnóstico, definir prognóstico e orientar a terapêutica, com acuidade, segurança e transparência? 

Material e métodos

Bases: (1) ECG: base CODE, com 2,5 milhões de exames, incluindo o sinal do ECG, dados clínicos, medidas automáticas do ECG e, 78 classes diagnósticas. Esta base está pareada com os dados de mortalidade do SUS, com seguimento de até 7 anos (2010-17), prevendo-se o pareamento com a base de hospitalizações do SUS. (2) Ecocardiograma: 18 mil ecos de rastreamento para cardiopatia reumática, obtidos por aparelhos portáteis por não-médicos, em jovens de 7 a 18. Cada exame inclui vídeos curtos, com problemas de qualidade dos registros e padronização insuficiente. (3) Histopatologia: The Cancer Genome Atlas (TCGA http://cancergenome.nih.gov/), com mais de 30 mil imagens em alta resolução de tecidos, 30 tipos de câncer.

Métodos: Integração de base de dados de ECG, hospitalização e mortalidade por linkage probabilístico. Definição de escores de risco (ECG). Padronização e segmentação das imagens (eco). Uso de modelos preditivos baseados em DNN/CNNs e algoritmos de agrupamento. Obtenção de (1) modelos explicáveis, mas com alto nível de desempenho de aprendizado (precisão de previsão) e (2) que permitam que usuários humanos entendam e cooperem efetivamente com os agentes (modelos preditivos) artificialmente inteligentes. Desenvolver ferramentas para o diagnóstico assistido por computador com as implementações hospedadas em arquiteturas computacionais em nuvem e/ou sistemas embutidos em computadores e dispositivos móveis.

Resultados: ECG/eco: Resultados preliminares já publicados;9,114,135 sistema de classificação automática de ECG; algoritmos de predição de risco. Eco: sistema de rastreamento da cardiopatia reumática baseada em ultrassom portátil simplificado. Lâminas: Resultados recentes mostram a eficiência da quantificação de steatosis droplets em imagens de lâminas e correlação com dados clínicos, como o grau da doença138. Produtos: Sistemas em nuvem para diagnóstico automático de ECG e eco, softwares para ser embarcado em aparelhos de ECG e eco. Lâminas: sistema automatizado para classificação e quantificação linfócitos infiltrantes de tumores em tecidos digitalizados estendendo e generalizando as técnicas utilizadas anteriores138.

voltar


Medicina personalizada em oncologia

Contexto: A IA pode desempenhar um importante papel para avançar o conhecimento na medicina personalizada aplicada à oncologia, tanto em tumores esporádicos que se apresentam como doenças multifatoriais (com determinantes genéticos somáticos e ambientais) quanto no câncer hereditário, um conjunto de doenças monogênicas onde uma variante genética germinativa determina maior predisposição. Desafios para a IA no campo dos tumores esporádicos, incluem a identificação das variantes genéticas relacionadas ao processo de carcinogênese (variantes driver) e proposição de novos potenciais alvos terapêuticos a partir destas variantes e/ou de interações complexas entre diferentes genes envolvidos em cada um dos diferente estádios da tumorigênese. Um desafio adicional na população brasileira é a influência da natureza miscigenada dos indivíduos na expressão da doença (fatores modificadores de fenótipo) e na identificação de mutações driver. Por fim, a IA tem um papel promissor na análise integrada de dados ômicos de tumores com o objetivo de identificar novos biomarcadores de diagnóstico precoce e alvos terapêuticos 139,140. No câncer hereditário, desafios para a IA incluem a busca por variantes patogênicas causais em famílias com fenótipo claramente hereditário, mas sem alterações germinativas identificáveis na análise de genes canônicos (missing heredity), e na determinação de patogenicidade ou causalidade de Variantes consideradas de Significado Incerto (VUS). 

Perguntas: Como a IA pode: (1) identificar novos alvos terapêuticos para tumores sólidos? (2) integrar fatores de risco ambientais e trans-ômicos para desenvolver classificadores de predição de risco em tumores comuns e para descobrir novos biomarcadores de diagnóstico precoce de câncer?; (3) determinar a patogenicidade de VUS em genes de predisposição ao câncer?

Materiais e Métodos: Desenvolveremos classificadores de variantes genéticas a partir de dados de anotação funcional, dados estruturais da proteína, dados de conservação evolutiva entre espécies, vias metabólicas e perfis de patogênese. O treinamento da metodologia de inferência da patogenicidade/drivers será realizado a partir de bancos de dados públicos de exomas de pacientes com diferentes ancestralidades, e de mutações patogênicas e de base populacional. Os bancos de dados a serem considerados incluem Exome Aggregation Consortium. gnomAD, Clinvar, OMIM e Orphanet. Algoritmos de aprendizado supervisionado, como redes neurais artificiais, serão treinados e otimizados para desenvolvimento do classificador de VUSs. Implementaremos uma estratégia de aprendizado online para viabilizar a atualização dos classificadores a partir de novos dados. A gestão de bancos de dados será realizada em parte utilizando a plataforma MASSA (Map-Reduce System for SNVs Annotation), a qual será aprimorada ao longo do projeto. Para a descoberta de biomarcadores e potenciais alvos terapêuticos a partir de dados multi-ômicos, serão exploradas estratégias de combinação de modelos, como aprendizado ensemble e modelos híbridos, e métodos de fusão de dados capazes de combinar dados de diferentes escala e natureza de maneira significativa e consistente. Utilizaremos dados do cBioPortal (incluindo TCGA), COSMIC, e outras bases públicas relacionadas à genômica do câncer.

Resultados preliminares e esperados: O grupo já desenvolveu um classificador baseado em redes neurais que prediz o estágio do desenvolvimento do Câncer de Próstata baseado em exames fornecido pelo SUS e realizou uma análise epigenômica no câncer de pâncreas que identificou vias de sinalização diferencialmente metiladas que podem indicar novas terapias antineoplásicas141. Resultados esperados incluem (1) identificação de novos biomarcadores para diagnóstico precoce e de alvos terapêuticos por estratégias computacionais, (2) proposição de estratégias para treinamento de modelos a partir de dados heterogêneos, tomando como base o caso de dados multi-ômicos em câncer, e (3) treinamento de classificadores para identificação de variantes patogênicas e mutações drivers a partir de resultados de sequenciamento genético obtidos de bases de dados públicas. 

voltar


Cirurgia guiada por IA

Contexto: Procedimentos cirúrgicos, especialmente os de maior complexidade, exigem uma alta expertise. Apesar de todo planejamento que é realizado, decisões importantes têm que ser tomadas em tempo real durante a execução dos procedimentos. Além disso, muitas vezes o cirurgião não consegue visualizar todo o campo cirúrgico e tem que acessar regiões de difícil acesso e/ou ergonomicamente difíceis. 

Pergunta: Como as diferentes técnicas de Inteligência Artificial142, especialmente aprendizado de máquina, visão computacional e robótica podem ser utilizadas para auxiliar o cirurgião e sua equipe nas diversas fases dos procedimentos cirúrgicos?

Metodologia: A reconstrução tridimensional de órgãos, a partir de dados obtidos por diferentes exames e sua visualização através de realidade virtual ou modelos impressos em 3D irão permitir ao cirurgião planejar o procedimento cirúrgico tentando antever as principais dificuldades. Imagens radiológicas, ecocardiogramas e imagens no espectro visível serão processadas utilizando técnicas de Visão Computacional (VC) como Structure From Motion143 e Fluxo Óptico144 para inferir as estruturas tridimensionais das regiões e/ou órgãos do corpo em estudo. No intra-operatório, os modelos gerados no pré-operatório podem ser usados em conjunto com sistemas de realidade aumentada, permitindo visualizar regiões ocultas e/ou de difícil acesso145. Um exemplo é a retirada de tumores hepáticos: a partir dos exames de imagem pré-operatórios, com a aplicação de algoritmos de VC, poderia ser construído um modelo 3D do fígado com a localização do tumor, vasos sanguíneos etc., e essa informação estaria disponível para o cirurgião, em tempo real, através do uso de óculos de realidade aumentada como o Hololens. Esses sistemas também podem ser aumentados com algoritmos de aprendizado de máquina. A partir de dados multisensoriais (imagens, sinais vitais, sinais mioelétricos do cirurgião, detecção de movimentos, dados de cirurgias anteriores et.c) é possível utilizar algoritmos de IA no desenvolvimento de sistemas que alertem o cirurgião em tempo real sobre ações potencialmente arriscadas durante o procedimento146. Por fim, uma aplicação da IA que já é realidade nos centros cirúrgicos é a Cirurgia Robótica, onde dispositivos robóticos, como o da Vinci, auxiliam o médico na execução dos procedimentos, permitindo uma cirurgia menos invasiva e de mais fácil recuperação em comparação a cirurgias convencionais e trazendo mais conforto para o médico. Nesse contexto, também serão investigados algoritmos de controle baseados em IA de forma trazer benefícios adicionais à cirurgia robótica, tais como o auxílio aos movimentos do cirurgião, uma maior imersão no ambiente com feedback háptico, entre outros147. Cabe ressaltar que esses sistemas poderão ser implementados e testados com o simulador de cirurgia robótica148 a ser adquirido pelo centro de cirurgia robótica da UFMG através de um financiamento da FINEP. Por meio do uso deste simulador, será possível o desenvolvimento, teste e análise dos algoritmos e sua aplicabilidade para procedimentos cirúrgicos.

Resultados Esperados: (1) Desenvolvimento de sistemas 3D de realidade virtual e aumentada que, a partir de dados sensoriais multimodais, possam auxiliar o cirurgião tanto no planejamento pré-operatório quando durante a cirurgia; (2) Aplicação de algoritmos de aprendizado de máquina que possam modelar o comportamento do médico e equipe durante a cirurgia. Os modelos obtidos podem ser utilizados tanto em tempo real, para emitir alertas de ações potencialmente arriscadas quanto durante o treinamento de novos cirurgiões; e (3) Implementação de algoritmos de controle inteligente que possam auxiliar o cirurgião durante os procedimentos da cirurgia robótica.

voltar


Prevenção e mitigação de epidemias

Contexto: Por razões diversas, eventos agudos de grande intensidade, como as epidemias e os desastres, causam enorme estresse às pessoas e aos sistemas de saúde. Há a necessidade imediata de planejamento de ações de atendimento das vítimas e mitigação de risco. Em muitos momentos, estes eventos não podem ser previstos. No caso da COVID-19, apesar de ter acontecido um evento anterior semelhante (a SARS causada pelo SARS-CoV-1) e haver evidências de circulação de novos vírus na região, não se esperava uma pandemia da intensidade e dimensão com a qual estamos vivendo hoje. Por outro lado, existem epidemias que se repetem com frequência obedecendo padrões apenas em parte esperados e previsíveis. A dengue, por exemplo, acontece apenas em épocas de chuva e calor, uma vez que necessita o crescimento do mosquito vetor Aedes aegypti, e obedece a um ciclo de cada 2 ou 4 anos, a depender da cidade ou país em estudo. Se de um lado, prever novos eventos epidêmicos e desastres não é simples, a IA traz a oportunidade única de se usar a aprendizagem obtida com eventos anteriores para orientar ações de saúde para lidar com eventos subsequentes. No Contexto da COVID-19, modelos matemáticos de modelagem da dispersão da doença ou modelos baseados em dados de sequenciamento103 informam sobre a introdução do vírus no país, sua dispersão e o impacto de medidas de intervenções não farmacêuticas. No contexto da dengue, mostramos que o uso de Tweets com outros dados epidemiológicos apresenta boa performance na previsão de entrada e propagação de dengue em um centro urbano100

Perguntas: Como construir modelos, no contexto da Covid-19 e outras síndromes respiratórias, que levem em consideração as grandes diferenças sociais, demográficas e ambientais, em um território extenso e diverso como o brasileiro? Sendo um país tropical continental e com, provavelmente, a maior biodiversidade mundial, como predizer o risco de novas epidemias a partir do monitoramento de novas sequências genéticas, inclusive virais, em vetores e animais, especialmente mamíferos, que nos cercam? No contexto de epidemias com eventos cíclicos apenas em parte previsíveis, como a Dengue, como obter dados que permitam uma melhor definição geográfica da distribuição da doença em grandes centros urbanos (regiões ou bairros)? Como obter sistemas de alarme que permitam uma boa separação entre dengue e outras arboviroses, como a zika e a chikungunya, e que possivelmente prevejam a introdução de novos vírus? Como formar e informar o gestor, na ponta da saúde, para que dados gerados por modelos de IA sejam compreendidos e utilizados de forma a modificar ações em saúde?

Bases/métodos: Utilizando bancos de dados disponíveis que incluem sequências, notificações formais, dados epidemiológicos, dados populacionais, além de outras fontes de dados como web, redes sociais e oriundos de dispositivos georreferenciados, a construção de modelos demanda a integração desses dados, que são esparsos, enviesados, desbalanceados e multimodais. Os modelos, construídos a partir desses dados heterogêneos, buscam representar a evolução de epidemias no tempo e no espaço. Entre outras estratégias, um “ensemble” de modelos será utilizado para compor a descrição, fazendo a fusão dos diferentes tipos de dados. Esses modelos podem ser construídos a partir de transferência de conhecimento e aprendizado. Processos epidêmicos compartilham alguns “invariantes” que, uma vez determinados para um processo, permanecem válidos para outros. Exemplos disso podem ser buscados no atual esforço para a compreensão dos processos de transmissão da COVID-19: se construímos modelos razoáveis, por exemplo, para a transmissão da doença em ambientes específicos (transporte coletivo, escolas, restaurantes etc.) podemos esperar que tais modelos sejam reaproveitados para outras doenças que tenham mecanismos de transmissão semelhantes nos mesmos ambientes. 

Resultados esperados: Os sistemas a serem construídos terão como foco a produção de informação capaz de dar suporte à compreensão dos fenômenos em observação, permitindo a formulação e teste de hipóteses e a simulação de cenários. Por meio da análise da interação, o próprio sistema deverá ser capaz de evoluir, priorizando o fortalecimento da capacidade analítica e o instrumental para a tomada de decisão desses profissionais. Os resultados esperados incluem: protocolos de acompanhamento ou ação em caso de eventos catastróficos que poderiam rapidamente obter dados para orientar ações pelos gestores de saúde e outros órgãos da sociedade civil; alertas precoces sobre o surgimento de epidemias tanto por patógenos conhecidos quanto indeterminados; delimitação geográfica de localidades afetadas por um surto epidêmico; projeções de curto prazo da evolução de epidemias, bem como a simulação de cenários para diferentes medidas de contenção, levando as diferenças regionais, incluindo as diferenças de acesso à saúde. Em especial, espera-se promover, com a implantação das ferramentas desenvolvidas, o empoderamento dos profissionais de saúde e gestores. 

voltar


Integração de Bases de Dados do SUS e saúde suplementar

Contexto: Em termos de Gestão, os sistemas de informações do SUS são estratégicos na formulação de políticas de saúde. Exemplos incluem os sistemas de informações Ambulatoriais (SIA/SUS); Hospitalares (SIH/SUS); Cadastro Nacional de Estabelecimentos de Saúde (CNES), Agências Nacional de Saúde Suplementar (ANS), de Mortalidade (SIM) e Nascidos Vivos (Sinasc). Apesar de todos os esforços, estes sistemas não funcionam de forma integrada, nem podem ser enriquecidos com dados de sistemas externos tais como sistemas hospitalares, dados demográficos/estatísticos, dados heterogêneos gerados por sensores. Mesmo com a introdução do Cartão Nacional de Saúde (CNS), ainda assim cada indivíduo é representado múltiplas vezes ou de forma não integrada em distintos sistemas que abrangem uma dimensão específica da saúde, não permitindo que indivíduos sejam facilmente rastreados. Nesse contexto, o pareamento de bases, descrito na Seção 4.2, é um problema central nesta integração. No SUS este tipo de problema tem sido tratado através do reconhecimento de similaridades em dados ruidosos (faltantes, incompletos, incorretos) ou através do pareamento de sistemas específicos, como a análise longitudinal de pacientes em Terapia Renal Substitutiva149 ou acometidos de câncer150. A ausência do pareamento pode, por exemplo, “inflar” certas estatísticas, (e.g., múltiplas ocorrências repetidas de uma mesma doença ou patologia devido ao erro de não-identificação da mesma pessoa acometida da enfermidade), acarretando o superdimensionamento do problema e levando a decisões errôneas dos gestores. Por outro lado, a concretização do pareamento e identificação de desfechos do paciente tem um potencial de benefício enorme, desde a melhor gestão dos pontos críticos do atendimento, avaliação de desfechos de prestadores, por área, avaliação de custo-efetividade de tratamentos, sugestão de locação de equipamentos de excelência no território nacional, com formas de acesso pré-estabelecidas para atendimento de alta complexidade.

Perguntas: Como usar métodos de IA para obter melhores resultados em saúde, melhores indicadores, uso de medicamentos custo-efetivos, maior sobrevida? Como obter melhores resultados na gestão, como aumentar eficiência, melhor utilização e ocupação de leitos, filas de espera, monitoramentos dos resultados das unidades de saúde outros? Como usar a IA para permitir o pareamento eficiente, efetivo e escalável de dezenas ou centenas de bases médicas do SUS que são incompletas, multimodais e heterogêneas e diversas? Como aferir a qualidade do pareamento de forma (semi-)automática? 

Materiais e Métodos: Bases: todas as citadas acima além de outras possibilidades que surgirem ao longo do projeto.

Métodos: Os novos métodos de pareamento baseado em IA que serão desenvolvidos neste projeto irão explorar (1) aprendizado ativo119 e co-treinamento120; para criação de exemplos de treinamento rotulados e para avaliação dos pareamentos realizados, com feedback retroativo para o sistema (humano-no-loop), exigindo um mínimo de esforço do especialista e garantindo portanto escalabilidade às técnicas; (2) meta-atributos118 conjuntamente com redes neurais profundas baseadas em transformadores (transformers) para melhorar as funções de similaridade, garantindo assim efetividade; (3) e meta-blocagem93 para garantir eficiência. Algumas das técnicas mencionadas foram desenvolvidas para outros problemas correlatos de IA, tais como Processamento de Linguagem Natural e Classificação Textual. A adaptação e integração dessas técnicas em um arcabouço unificado para o problema de pareamento garantem um aspecto de novidade e originalidade à proposta dessa linha de pesquisa. 

Resultados esperados: Data Lake de bases médicas integradas e “limpas”, facilmente extensível para acomodar novas bases; interface API para aplicações de Gestão que utilizam os dados integrados; Plataformas digitais com informações verticais da capacidades instalada do SUS e saúde suplementar em macro e micro nível, análise em tempo ágil e relacionada com tendências demográficas e de mortalidade; Algoritmos validados para extração de informações de prontuários médicos para construção de indicadores de desempenho e desfecho de condições de saúde específicas; Sistemas automatizados para auditorias de procedimentos e exames; Base integrada de dados para monitoramento de tecnologias incorporadas no SUS.

voltar


Referências:

9. Ribeiro ALP, Paixão GMM, Gomes PR, Ribeiro MH, Ribeiro AH, Canazart JA, et al. Tele-electrocardiography and bigdata: The CODE (Clinical Outcomes in Digital Electrocardiography) study. J Electrocardiol [Internet]. 2019 Sep 7; Available from: http://dx.doi.org/10.1016/j.jelectrocard.2019.09.008

93. dal Bianco G, Gonçalves MA, Duarte D. BLOSS: Effective meta-blocking with almost no effort. Inf Syst. 2018 Jun 1;75:75–89.

100. Candido D da S, Claro IM, de Jesus JG, Souza WM de, Moreira FRR, Dellicour S, et al. Evolution and epidemic spread of SARS-CoV-2 in Brazil [Internet]. Infectious Diseases (except HIV/AIDS). medRxiv; 2020. Available from: https://www.medrxiv.org/content/10.1101/2020.06.11.20128249v1

101. Guzzetta G, Marques-Toledo CA, Rosà R, Teixeira M, Merler S. Quantifying the spatial spread of dengue in a non-endemic Brazilian metropolis via transmission chain reconstruction. Nat Commun. 2018 Jul 19;9(1):2837.

102. Marini G, Guzzetta G, Marques Toledo CA, Teixeira M, Rosà R, Merler S. Effectiveness of Ultra-Low Volume insecticide spraying to prevent dengue in a non-endemic metropolitan area of Brazil. PLoS Comput Biol. 2019 Mar;15(3):e1006831.

103. Marques-Toledo CA, Bendati MM, Codeço CT, Teixeira MM. Probability of dengue transmission and propagation in a non-endemic temperate area: conceptual model and decision risk levels for early alert, prevention and control. Parasit Vectors. 2019 Jan 16;12(1):38.

114. Nascimento BR, Martins JFBS, Nascimento ER, Pappa GL, Sable CA, Beaton AZ, et al. Deep learning for automatic identification of rheumatic heart disease in echocardiographic screening images: data from the ATMOSPHERE-PROVAR study. J Am Coll Cardiol. 2020 Mar 24;75(11, Supplement 1):3577.

118. Canuto S, Salles T, Rosa TC. Similarity-Based Synthetic Document Representations for Meta-Feature Generation in Text Classification. Proceedings of the 42nd [Internet]. 2019; Available from: https://doi.org/10.1145/3331184.3331239

119. Cardoso TNC, Silva RM, Canuto S, Moro MM, Gonçalves MA. Ranked batch-mode active learning. Inf Sci . 2017 Feb 10;379:313–37.

120. Magalhães LFG, Gonçalves MA, Canuto SD, Dalip DH, Cristo M, Calado P. Quality assessment of collaboratively-created web content with no manual intervention based on soft multi-view generation. Expert Syst Appl. 2019 Oct 15;132:226–38.

121. Freire J, Chirigati F. Provenance and the different flavors of computational reproducibility. IEEE Data Engineering Bulletin. 2018;41(1):15.

122. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med. 2019 Jan;25(1):24–9.

123. Waring J, Lindvall C, Umeton R. Automated machine learning: Review of the state-of-the-art and opportunities for healthcare. Artif Intell Med. 2020 Apr;104:101822.

124. Phillips KA, Trosman JR, Douglas MP. Emergence of Hybrid Models of Genetic Testing Beyond Direct-to-Consumer or Traditional Labs [Internet]. Vol. 321, JAMA. 2019. p. 2403. Available from: http://dx.doi.org/10.1001/jama.2019.5670

125. Palazzo S, Spampinato C, Kavasidis I, Giordano D, Schmidt J, Shah M. Decoding Brain Representations by Multimodal Learning of Neural Activity and Visual Features. IEEE Trans Pattern Anal Mach Intell. 2020;1–1.

126. Deepak S, Ameer PM. Brain tumor classification using deep CNN features via transfer learning. Comput Biol Med. 2019 Aug;111:103345.

127. Neto JLD, Yu S, Macedo DF, Nogueira JMS, Langar R, Secci S. ULOOF: A User Level Online Offloading Framework for Mobile Edge Computing. IEEE Trans Mob Comput. 2018 Nov;17(11):2660–74.

128. Teodoro G, Hartley TDR, Catalyurek U. Run-time optimizations for replicated dataflows on heterogeneous environments. Proceedings of the 19th [Internet]. 2010; Available from: https://dl.acm.org/doi/abs/10.1145/1851476.1851479

129. Cesar TF, Vieira LFM, Vieira MAM, Neto OPV. Cellular automata-based byte error correction in QCA. Nano Commun Netw. 2020 Feb 1;23:100278.

130. Matheus L, Pires L, Vieira A, Vieira LFM, Vieira MAM, Nacif JA. The internet of light: Impact of colors in LED-to-LED visible light communication systems [Internet]. Vol. 2, Internet Technology Letters. 2019. p. e78. Available from: http://dx.doi.org/10.1002/itl2.78

131. Boito FZ, Inacio EC, Bez JL, Navaux POA. A checkpoint of research on parallel i/o for high-performance computing. ACM Computing [Internet]. 2018; Available from: https://dl.acm.org/doi/abs/10.1145/3152891

132. Moura HD, Macedo DF, Vieira MAM. Wireless control using reinforcement learning for practical web QoE. Comput Commun. 2020 Mar 15;154:331–46.

133. Malta DC, Felisbino-Mendes MS, Machado ÍE, Passos VM de A, Abreu DMX de, Ishitani LH, et al. Risk factors related to the global burden of disease in Brazil and its Federated Units, 2015. Rev Bras Epidemiol. 2017 May;20Suppl 01(Suppl 01):217–32.

134. Alkmim MB, Silva CBG, Figueira RM, Santos DVV, Ribeiro LB, da Paixão MC, et al. Brazilian National Service of Telediagnosis in Electrocardiography. Stud Health Technol Inform. 2019 Aug 21;264:1635–6.

135. Ribeiro AH, Ribeiro MH, Paixão GMM, Oliveira DM, Gomes PR, Canazart JA, et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020 Apr 9;11(1):1760.

136. Lopes EL, Beaton AZ, Nascimento BR, Tompsett A, Dos Santos JP, Perlman L, et al. Telehealth solutions to enable global collaboration in rheumatic heart disease screening. J Telemed Telecare. 2018 Feb;24(2):101–9.

137. Nascimento BR, Beaton AZ, Nunes MCP, Diamantino AC, Carmo GAL, Oliveira KKB, et al. Echocardiographic prevalence of rheumatic heart disease in Brazilian schoolchildren: Data from the PROVAR study. Int J Cardiol. 2016 Sep 15;219:439–45.

138. Roy M, Wang F, Vo H, Teng D, Teodoro G, Farris AB, et al. Deep-learning-based accurate hepatic steatosis quantification for histological assessment of liver biopsies. Lab Invest [Internet]. 2020 Jul 13; Available from: http://dx.doi.org/10.1038/s41374-020-0463-y

139. ICGC/TCGA Pan-Cancer Analysis of Whole Genomes Consortium. Pan-cancer analysis of whole genomes. Nature. 2020 Feb;578(7793):82–93.

140. Olivier M, Asmis R, Hawkins GA, Howard TD, Cox LA. The Need for Multi-Omics Biomarker Signatures in Precision Medicine. Int J Mol Sci [Internet]. 2019 Sep 26;20(19). Available from: http://dx.doi.org/10.3390/ijms20194781

141. Gregório C, Soares-Lima SC, Alemar B, Recamonde-Mendoza M, Camuzi D, de Souza-Santos PT, et al. Calcium Signaling Alterations Caused by Epigenetic Mechanisms in Pancreatic Cancer: From Early Markers to Prognostic Impact. Cancers [Internet]. 2020 Jun 30;12(7). Available from: http://dx.doi.org/10.3390/cancers12071735

142. Hashimoto DA, Rosman G, Rus D, Meireles OR. Artificial Intelligence in Surgery: Promises and Perils. Ann Surg. 2018 Jul;268(1):70–6.

143. Schonberger JL, Frahm J-M. Structure-from-motion revisited. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. p. 4104–13.

144. Weinzaepfel P, Revaud J, Harchaoui Z, Schmid C. DeepFlow: Large displacement optical flow with deep matching. In: Proceedings of the IEEE international conference on computer vision. 2013. p. 1385–92.

145. Fida B, Cutolo F, di Franco G, Ferrari M, Ferrari V. Augmented reality in open surgery. Updates Surg. 2018 Sep;70(3):389–400.

146. Hung AJ, Chen J, Gill IS. Automated Performance Metrics and Machine Learning Algorithms to Measure Surgeon Performance and Anticipate Clinical Outcomes in Robotic Surgery. JAMA Surg. 2018 Aug 1;153(8):770–1.

147. Taylor RH, Menciassi A, Fichtinger G, Fiorini P, Dario P. Medical Robotics and Computer-Integrated Surgery. In: Siciliano B, Khatib O, editors. Springer Handbook of Robotics. Cham: Springer International Publishing; 2016. p. 1657–84.

148. Whittaker G, Aydin A, Raison N, Kum F, Challacombe B, Khan MS, et al. Validation of the RobotiX Mentor Robotic Surgery Simulator. J Endourol. 2016 Mar;30(3):338–46.

149. Queiroz OV de, Guerra Júnior AA, Machado CJ, Andrade ELG, Meira Júnior W, Acúrcio F de A, et al. A construção da Base Nacional de Dados em Terapia Renal Substitutiva (TRS) centrada no indivíduo: relacionamento dos registros de óbitos pelo subsistema de Autorização de Procedimentos de Alta Complexidade (Apac/SIA/SUS) e pelo Sistema de Informações sobre Mortalidade (SIM) – Brasil, 2000-2004. Epidemiol Serv Saúde. 2009;18(2):107–20.

150. Saldanha R de F, Xavier DR, Carnavalli K de M, Lerner K, Barcellos C. [Analytical study of the breast cancer patient flow network in Brazil from 2014 to 2016]. Cad Saude Publica. 2019 Jul 22;35(7):e00090918.