Bolsa 24/16653-8 - Inteligência artificial, Modelos preditivos - BV FAPESP
Busca avançada
Ano de início
Entree

O Uso de Modelos Preditivos de Inteligência Artificial na Prevenção de Doenças Crônicas Não Transmissíveis

Processo: 24/16653-8
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Data de Início da vigência: 01 de outubro de 2024
Data de Término da vigência: 30 de setembro de 2025
Área de conhecimento:Interdisciplinar
Pesquisador responsável:Jussara Marques de Almeida
Beneficiário:Samuel Norberto Alves
Instituição Sede: Instituto de Ciências Exatas (ICEx). Universidade Federal de Minas Gerais (UFMG). Ministério da Educação (Brasil). Belo Horizonte , SP, Brasil
Empresa:Universidade Federal de Minas Gerais (UFMG). Instituto de Ciências Exatas (ICEx)
Vinculado ao auxílio:20/09866-4 - Centro de Inovação em Inteligência Artificial para a Saúde (CIIA-Saúde), AP.PCPE
Assunto(s):Inteligência artificial   Modelos preditivos   Prevenção de doenças   Saúde
Palavra(s)-Chave do Pesquisador:Inteligência Artificial | modelos preditivos | prevenção de doenças | Saúde | Inteligência Artificial aplicada na saúde

Resumo

A prevenção das doenças, no âmbito populacional e individual, tem por objetivo minimizar a carga de doenças e fatores de risco associados. Na saúde pública, busca-se atuar na perspectiva da prevenção (primária, secundária e terciária) das doenças e na qualidade de vida. Neste contexto destaca-se a importância das Doenças Crônicas Não Transmissíveis (DCNT), que respondem por 75% das mortes anuais e elevadas prevalências de fatores de risco na população adulta brasileira.Atualmente, os modelos preditivos de inteligência artificial (IA) têm sido utilizados para estimar o risco de determinado desfecho ocorrer (doença, óbito), com base na identificação de variáveis socioeconômicas, demográficas, ambientais e variáveis relacionadas a hábitos de vida e condições de saúde. No contexto das DCNT, destacam-se experiências pioneiras como as estimativas de indicadores em saúde em pequenas áreas geográficas. Este projeto foca no uso de modelos estado-da-arte de Inteligência Artificial para apoiar a estimativa (ou predição) de prevalência de DCNTs e desfechos associados a pequenas áreas. O desenvolvimento e a validação destes modelos preditivos levam a desafios de pesquisa importantes e ainda em exploração na literatura, notadamente desafios associados à imputação de dados faltantes e ao desenvolvimento de modelos precisos frente à baixa disponibilidade de dados bem como aos vieses frequentemente presentes nestes dados. Diversas técnicas de tratamento dos dados se fazem necessárias para lidar com o impacto, na eficácia da predição, de vieses, desbalanceamentos, inconsistências, erros ou ausência nos dados e de possíveis diferenças nos níveis de agregação disponíveis.Mais ainda, é primordial que técnicas e modelos estejam alinhados com princípios éticos associados à transparência, privacidade, imparcialidade, responsabilidade, confiabilidade e inclusão, e com aspectos da legislação relacionada. Porém, as soluções estado-da-arte de IA, em maioria, focam em maximizar eficácia, desconsiderando o impacto que princípios éticos têm na mesma. Por exemplo, garantias de privacidade frequentemente são obtidas com a ocultação de informações sensíveis. Entretanto, a redução de informação resultante pode impactar o aprendizado dos modelos e, consequentemente, sua eficácia. Assim, o desenvolvimento de soluções com um bom compromisso entre eficácia da predição e o alinhamento com esses princípios permanece um problema de pesquisa importante em aberto. Este projeto contempla a estimativa de indicadores de DCNT relacionados à morbidade, mortalidade e internações e seus fatores de risco utilizando os dados da Pesquisa Nacional de Saúde (PNS), Sistema de Vigilância de DCNT por inquérito telefônico (VIGITEL) e Sistema de Informação sobre Mortalidade (SIM), dados do censo e outras bases de dados.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)