Nome do Projeto: Inteligência artificial e mortalidade por câncer
Responsáveis pelo projeto: Gabriel Ferreira dos Santos Silva, Alexandre Chiavegatto Filho, Luciane Simões Duarte, Mirian Matsura Shirassu, Stela Peres.
Instituições: Laboratório de Big Data e Análise Preditiva em Saúde (LABDAPS) da Faculdade de Saúde Pública da USP, Divisão de Doenças Crônicas Não Transmissíveis (DVDCNT) da Secretaria de Estado da Saúde de São Paulo (SES/SP), Fundação OncoCentro de São Paulo (FOSP).
Contato: gabriel8.silva@usp.br
Instituições Parceiras
LABDAPS da FSP/USP, DVDCNT da SES/SP e FOSP.
Sobre o Projeto
A partir do crescente número de casos de câncer, torna-se cada vez mais importante melhorar as suas decisões diagnósticas e prognósticas. O uso de algoritmos preditivos de machine learning poderá auxiliar profissionais da saúde na tomada de decisões sobre o prognóstico de pessoas diagnosticadas com câncer, contribuindo para melhores encaminhamentos e intervenções nessas pessoas. Assim, este estudo teve como objetivo desenvolver algoritmos de inteligência artificial (machine learning) para predição da mortalidade de pessoas diagnosticadas com câncer entre 12 e 24 meses após a confirmação diagnóstica de câncer, além de identificar variáveis preditoras de mortalidade por câncer para o melhor gerenciamento clínico (prognóstico/tratamento) destes e de novas pessoas com câncer.
O projeto foi implementado no estado de São Paulo utilizando dados do Registro de Câncer Hospitalar (RHC) da FOSP. Foram desenvolvidos nove algoritmos diferentes de inteligência artificial (machine learning) para a predição do risco de mortalidade por câncer em residentes do estado de São Paulo, com o primeiro diagnóstico entre 2014 e 2017. Foram selecionados participantes para o treinamento dos algoritmos e os resultados foram testados nos novos participantes. As melhores performances preditivas foram obtidas por algoritmos que analisaram todos os tipos de cânceres, sendo que todos os modelos testados apresentaram um valor acima de 0,86 para a área abaixo da curva ROC.
A avaliação da capacidade preditiva dos algoritmos ocorreu no conjunto de testes. As áreas sob a curva ROC obtidas (>0,9) indicaram excelentes performances: 0,946 em todos os cânceres, sendo os preditores o estádio clínico, a topografia, a qualidade dos serviços e a residência. Para o primeiro objetivo, os algoritmos conseguiram predizer a mortalidade pelos cânceres mais prevalentes no Estado de São Paulo, com uma alta performance preditiva. Para o segundo objetivo, foram identificados os principais preditores da mortalidade por câncer. Os resultados indicam o potencial do uso de algoritmos para predizer o risco de mortalidade em pessoas diagnosticadas com câncer, mesmo utilizando apenas dados rotineiramente coletados. Os resultados foram publicados em 2023 na revista científica Artificial Intelligence in the Life Sciences.
O público alvo, as pessoas diagnosticadas com câncer, contribuiu com todas as etapas do projeto, por meio do fornecimento de dados dos prontuários. A predição de mortalidade por algoritmos beneficiará novas pessoas diagnosticadas com câncer, pois as decisões sobre diagnóstico e prognóstico serão informadas por evidências. Além disso, o uso de machine learning poderá tornar o sistema de saúde no tratamento do câncer, e outras CCNTs/DCNTs, mais efetivo e eficiente. Indivíduos RHC-FOSP constituem um variado grupo de indivíduos, sendo muitos com alguma situação de risco, como vulnerabilidade socioeconômica, vulnerabilidade no ciclo da vida (jovens e idosos) e vulnerabilidade de saúde (falta de acesso a serviços, grave condição de saúde).
O estudo contempla os Objetivos do Desenvolvimento Sustentável (ODS) 3.4 e 17.16. No ODS 3.4 o projeto auxilia na predição de morte por câncer, um dos grupos prioritários das CCNTs/DCNTs. Em relação ao ODS 17.16, foram estabelecidas parcerias entre ensino, representado pelo LABDAPS/FSP/USP, assistência e pesquisa em saúde, representada pela FOSP, e gestão em saúde, pela DVDCNTSES/SP.
Saiba Mais
Comentaris