Projetos de Pesquisa

 

Foto de perfil

Alexandre Dias Porto Chiavegatto Filho

Ciências da Saúde

Saúde Coletiva
  • inteligência artificial para decisões clínicas e administrativas durante a pandemia de covid-19
  • Introdução Até o dia 27 de abril, houve um total de 66.501 casos e 4.543 mortes confirmadas por COVID-19 no Brasil. Devido à escassez de exames, a recomendação atual do Ministério da Saúde do Brasil é de que os exames sejam realizados apenas para pacientes críticos. Por outro lado, a Organização Mundial da Saúde tem incentivado testes em larga escala da população. Recentemente, tem também aumentado o número de casos confirmados na maioria dos países africanos e na Índia, onde o potencial de disseminação rápida exigirá decisões mais custo-efetivas sobre prioridades para a realização de testes de COVID-10. Além disso, a estrutura atual do sistema de saúde e o desconhecimento sobre o prognóstico de pacientes diagnosticados com COVID-19 tem dificultado a alocação de leitos de UTI e equipamentos como ventilação mecânica a pacientes prioritários. Mantendo-se a atual evolução no crescimento no número de casos graves, em breve a capacidade do sistema de saúde brasileiro atingirá seu limite e decisões cada vez mais imediatas terão de ser tomadas levando-se em conta o risco individual dos pacientes. Entre as várias aplicações de modelos preditivos inteligência artificial (machine learning) está o apoio à decisão de profissionais de saúde para planejamento do atendimento, principalmente no caso de uma doença nova como a COVID-19. Hospitais e postos de atendimento podem se beneficiar de modelos de predição voltados a soluções em vários momentos durante o atendimento ao paciente em nível primário (postos de saúde), secundário e terciário (hospitais), suportados por dados clínicos para fornecer soluções para decisões referentes ao diagnóstico, prognóstico e alta. Nesse contexto se insere o presente estudo, que tem como objetivo desenvolver algoritmos preditivos de machine learning para auxiliar na tomada de decisão sobre a alocação de testes COVID-19, sobre a internação em UTIs e sobre o uso de recursos, por meio da predição de risco de diagnóstico positivo de COVID-19 e de piora da evolução clínica. Trata-se de uma parceria inédita envolvendo centros de pesquisa da Universidade de São Paulo (USP), Universidade Federal de Pelotas (UFPel), Universidade Estadual da Paraíba (UEPB) e Universidade Federal de Goiás (UFG) Métodos Serão incluídos no estudo os dados de pacientes atendidos nos hospitais participantes da rede com suspeita de COVID-19. O período analisado será desde a primeira realização de um exame de COVID-19 a partir de 17 de março de 2020 até o dado mais recente disponível no momento da aplicação dos algoritmos. Todos os dados identificadores dos pacientes serão excluídos antes do recebimento dos dados, seguindo as boas práticas adotadas em cada instituição. As variáveis preditoras para treinar os algoritmos serão todas aquelas coletadas rotineiramente pelo hospital e disponíveis para análise, principalmente os resultados do hemograma completo (como leucócitos, eosinófilos, basófilos, linfócitos, monócitos, plaquetas, proteína C-reativa, hemácias, hemoglobinas, CHCM, HCM, RDW e VCM), sexo e idade. Caso seja possível, também serão incluídas outras variáveis como sinais vitais e data de início dos sintomas. A performance preditiva dos algoritmos será medida por meio da sensibilidade, especificidade e área abaixo da curva ROC, nos dados de teste. Os hiperparâmetros dos algoritmos serão ajustados por meio de validação cruzada. As variáveis contínuas serão padronizadas por meio do z-score e as variáveis categóricas serão transformadas em dummies. Serão testadas as performances dos algoritmos mais populares de machine learning para dados estruturados, como redes neurais, random forests, support vector machines e gradient boosting trees. Serão incluídos nas análises todos os pacientes que seguiram protocolo de atendimento para casos suspeitos de COVID-19. Resultados preliminares e viabilidade técnica A equipe proponente deste estudo já possui um pré-print publicado sobre o tema, atualmente em avaliação em uma revista internacional de alto impacto: “COVID-19 diagnosis prediction in emergency care patients: a machine learning approach”. O estudo foi uma parceria com o Hospital Israelita Albert Einstein e teve como objetivo utilizar os dados preliminares de pacientes que realizaram o exame RT-PCR de COVID-19 para predizer risco de diagnóstico positivo da doença a partir de resultados coletados rotineiramente pelo pronto-socorro do hospital. Todos os algoritmos de machine learning testados apresentaram performance semelhante nos resultados de teste, com área abaixo da curva ROC acima de 0,84. O algoritmo com melhor performance para esses dados foi o support vector machines com área abaixo da curva ROC de 0,85, sensibilidade de 0,68, especificidade de 0,85 e Brier Score de 0,16. Os resultados demonstraram que mesmo em uma amostra pequena (apenas 235 pacientes foram analisados nesse caso), é possível uma boa performance diagnóstica apenas com dados rotineiramente coletados. Os resultados desse estudo geraram interesse na mídia, com reportagens na Folha de São Paulo, Estado de São Paulo e G1. A limitação do estudo foi que os algoritmos foram desenvolvidos apenas com os resultados de um hospital com características não representativas da população brasileira. O presente estudo irá ampliar a análise e validação dos algoritmos para outras regiões brasileiras com diferentes contextos socioeconômicos e para outros desfechos relacionados à COVID-19, como a predição de risco de internação em UTI, de uso de ventilação mecânica e de óbito. A rede do atual projeto já possui a adesão de hospitais de quatro das cinco regiões brasileiras: Hospital das Clínicas da FMUSP (São Paulo), Hospital Moinhos de Vento (Porto Alegre), Hospital Municipal de Campina Grande da Paraíba e os cinco hospitais de campanha COVID-19 da Secretaria de Saúde de Goiás (SESGO). A inclusão de novos hospitais já está em fase avançada, principalmente em Curitiba, Juiz de Fora e Belém do Pará, além de outros hospitais da cidade de São Paulo.
  • Universidade de São Paulo - SP - Brasil
  • 24/07/2020-23/08/2022
Foto de perfil

Alexandre Dias Tavares Costa

Ciências Biológicas

Biotecnologia
  • avanços em novos materiais para desenvolvimento de testes ‘point-of-care’ visando diagnóstico de doenças do programa nacional de triagem neonatal (teste do pezinho)
  • A triagem neonatal biológica (ou Teste do Pezinho) é uma ação preventiva que visa o diagnóstico no período neonatal, preferencialmente entre o terceiro e o quinto dia de vida do bebê, para doenças genéticas, metabólicas, enzimáticas e endocrinológicas. Apesar de ser obrigatório no SUS desde 1992, dados indicam que o Programa Nacional de Triagem Neonatal (PNTN) tem cobertura abaixo de 90% em regiões afastadas de centros urbanos, especialmente nas regiões Norte e Nordeste devido principalmente à dificuldade de acesso da população à serviços básicos de saúde. Em virtude disto, propomos utilizar diferentes rotas tecnológicas para desenvolver novos materiais nanoestruturados (semicondutores e/ou plasmônicos) com caraterísticas químicas, óticas, e elétricas específicas para permitir a construção de novos dispositivos sensores miniaturizados de alto desempenho (alta especificidade, facilidade de análise, baixo limite de detecção e baixo custo). Estes nanomateriais serão incorporados em dispositivos e/ou biossensores portáteis capazes de realizar medidas em fluídos biológicos e estimar o status das doenças de interesse do PNTN e do SUS, como por exemplo fenilcetonúria, fibrose cística, e deficiência da enzima G6PD, em ambientes com pouca infraestrutura. Estes dispositivos serão comparados com testes comercialmente disponíveis e, caso atinjam valores de especificidade e sensibilidade adequados, serão avaliados com amostras de neonatos. O sucesso desta proposta se dará através da integração de pesquisadores no âmbito nacional e internacional, que já vem trabalhando em áreas de pesquisa semelhantes. Trabalhos recentes incluem o desenvolvimento e aplicação de novos materiais em biossensores para detecção de pesticidas, e o desenvolvimento, avaliação, e registro na Anvisa de testes diagnósticos para auxílio no manejo de doenças tropicais negligenciadas em ambientes de pouca densidade tecnológica, como a região Norte e Nordeste.
  • Fundação Oswaldo Cruz - RJ - Brasil
  • 04/02/2022-28/02/2025