Além da predição de custos em saúde relacionados a dislipidemias e outros fatores de risco cardiometabolico: análise explicativa por aprendizado de estrutura e algoritmos de inferência causal

Resumo

As doenças cardiovasculares (DCV) são as principais causas de mortalidade em todo o mundo, levando a óbitos prematuros e perda de qualidade de vida para populações em diversos países. Eles também impõem um custo socioeconômico substancial para indivíduos, comunidades e sistemas de saúde. As dislipidemias, caracterizadas por alterações nos níveis lipídicos, representam fatores de risco significativamente associados às DCV devido ao seu envolvimento na fisiopatologia da aterosclerose e acarretam um ônus substancial para os sistemas nacionais de saúde. Há evidências robustas sobre o papel de marcadores metabólicos e genéticos como fatores de risco para DCV e dislipidemia. No entanto, os mecanismos exatos e as contribuições que cada um desses marcadores podem ter nas características lipídicas e nos custos de saúde, e como eles se relacionam em termos de relações causais ainda não foram desvendados. Desenvolver e empregar métodos estatísticos e de ciência da computação que abordem relações causais nesses dados específicos é uma tarefa desafiadora com o potencial de facilitar e acelerar o progresso em pesquisa. Para isso, serão utilizados Aprendizagem de Estrutura e o algoritmo Fast Causal Inference (FCI) para facilitar a tradução desse conhecimento na clínica. Este projeto representa uma oportunidade para explorar novos dados e abordagens de inferência causal no contexto brasileiro, e permitirá a simulação de cenários futuros no sistema de saúde para prevenção, tratamento e controle de doenças. (AU)