Banca de QUALIFICAÇÃO: Maíra Catharina Ramos

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : Maíra Catharina Ramos
DATA : 21/07/2023
HORA: 14:00
LOCAL: plataforma teams - link disponível na página do programa
TÍTULO:

"Predição de desfechos graves de eventos adversos a medicamentos utilizando técnicas supervisionadas de machine learning"

PALAVRAS-CHAVES:

“Inteligência Artificial; Aprendizado de Máquina; Efeitos Colaterais e Reações Adversas Relacionados a Medicamentos”

PÁGINAS: 1000
RESUMO:

“Introdução: Os medicamentos são um dos principais contribuintes para melhorar a saúde e o bem-estar de uma população-alvo, sendo um ponto central na prevenção e tratamento de doenças. Entretanto, a disponibilidade, o acesso equitativo e o uso adequado ou racional de medicamentos com preço acessível são desafios em todo o mundo, particularmente em países de baixa e média renda (LMIC). Ainda, LMIC possuem mais desafios para monitorar o uso e o efeito de medicamentos, tanto intencionais quanto indesejados. Os desafios incluem a limitação da integração de sistemas de farmacovigilância; a escassez de recursos humanos especializados em farmacovigilância somada a alta rotatividade dos poucos profissionais especializados; entre outros. E apesar dos avanços consideráveis nas últimas décadas no campo da farmacovigilância, os eventos adversos a medicamentos (EAM) ainda apresentam uma carga importante para a saúde pública. Dentre as técnicas atuais para monitorar os EAM, uma que vem sendo amplamente discutida é o uso da inteligência artificial, em especial as técnicas de machine learning (ML), supervisionadas ou não. Neste sentido, pensar em um modelo preditivo para desfechos graves de EAM no contexto brasileiro torna-se essencial para o fortalecimento de um sistema de farmacovigilância voltado às necessidades do país. Objetivo: propor modelo preditivo com melhor performance de predição de desfechos graves de Evento Adverso a Medicamentos no Brasil. Método: Utilizar-se-á de três etapas metodológicas: (i) caracterização do perfil das notificações em farmacovigilância e a completude dos dados; (ii) treinamento de modelos de classificação supervisionados de ML; (iii) validação e avaliação de performance dos modelos propostos, indicando o que apresentar melhor performance. A primeira etapa se caracteriza como um estudo transversal, de caráter exploratório e descritivo, com abordagem quantitativa para avaliar os dados do VigiMed disponibilizados pelo Portal Brasileiro de Dados Abertos, com notificações realizadas de 10 de dezembro de 2018 a 17 de outubro de 2021. Serão avaliados o perfil das notificações em farmacovigilância e a completude dos dados registrados no sistema. A segunda etapa metodológica diz respeito à apresentação dos passos metodológicos que compõem as técnicas não supervisionadas de machine learning, utilizando como exemplo a predição de desfechos graves de evento adverso a medicamentos no Brasil. A análise de dados será realizada seguindo os passos metodológicos estabelecidos. deste Projeto de Qualificação. Por fim, a etapa de validação e avaliação de performance ocorrerá de maneira subsequente à etapa de treinamento, supracitada. Para o teste, será utilizada validação cruzada k-fold, com k=10. Para evitar hiperparâmetros de sobreajuste (overfitting) ou subajuste (underfitting), será utilizada a AUC ROC.

MEMBROS DA BANCA:
Interno - 1681340 - EVERTON NUNES DA SILVA
Externo à Instituição - FELIPE FERRE
Presidente - 2221672 - HELENA ERI SHIMIZU
Interno - 1041337 - IVAN RICARDO ZIMMERMANN
Interno - 1773755 - WALTER MASSA RAMALHO