Inteligência artificial para a vigilância de doenças crônicas não-transmissíveis / Artificial intelligence for non-communicable chronic diseases surveillance

As doenças crônicas não transmissíveis (DCNT) representam um desafio significativo para a saúde global, exercendo impacto substancial nos sistemas de saúde em todo o mundo e demandando ações de vigilância e gestão. Nos últimos anos, a utilização de algoritmos de Machine Learning (ML) tem se mostrado uma abordagem promissora para aprimorar ao cuidado e a gestão de saúde. Nesse sentido, esta tese buscou desenvolver algoritmos de ML que contribuam para a vigilância, prevenção e tratamento de DCNT, com o objetivo de colaborar com a saúde pública através de dados e inteligência artificial (IA). Para isso, foram desenvolvidos, em parceria com a Secretaria de Estado da Saúde de São Paulo, quatro manuscritos com distintas aplicações, que compõem a coletânea de artigos desta tese. No primeiro artigo, foi desenvolvida uma revisão sistemática da literatura para explorar o uso de algoritmos de ML na predição da hipertensão arterial. Vinte e um artigos publicados entre janeiro de 2018 e maio de 2021 foram analisados, demonstrando o potencial dos algoritmos de ML para predizer a hipertensão e aprimorar as decisões clínicas preventivas, ainda que alguns dos trabalhos avaliados tenham apresentado problemas de seleção de variáveis e adoção de boas práticas preditivas. O segundo artigo concentrou-se na predição do risco de mortalidade em pacientes com neoplasias malignas no estado de São Paulo. Utilizando dados longitudinais, algoritmos de ML foram testados, alcançando altos valores de Área sob a curva ROC (AUC-ROC) para diferentes tipos de câncer (acima de 0,90). Os resultados apontaram para o potencial para predizer o risco de óbito em pacientes com câncer no estado de São Paulo. O terceiro artigo explorou o uso de algoritmos de ML não supervisionados para a regionalização dos municípios do estado de São Paulo com base nos perfis de morbimortalidade por DCNT. Por meio do agrupamento dos 645 municípios, o estudo identificou áreas contíguas com morbidades e mortalidades semelhantes. Esta abordagem demonstrou o potencial da utilização de ML no fornecimento de informações para o planejamento e a gestão dos sistemas de saúde. Por fim, no quarto artigo buscou-se desenvolver algoritmos de ML para a avaliação da performance da gestão de saúde crônica nos municípios do estado de São Paulo. Para isso, foram calculados os valores esperados de mortalidade prematura ajustada pela idade para cada um dos municípios no período de 2010 a 2019, a partir de um algoritmo de ML. Esses valores esperados, quando comparados com o observado nesses municípios, apontaram para a presença de casos de overachievers ou underachievers, que podem direcionar políticas de saúde e a atenção a nível estadual. As pesquisas apresentadas nesses artigos têm o potencial de contribuir para o avanço das aplicações de ML no campo da saúde pública, abrindo caminhos para estratégias mais eficazes no enfrentamento das DCNT e na promoção de saúde da população.

Chronic non-communicable diseases (NCD) pose a significant challenge for global health, exerting a substantial impact on health systems worldwide, requiring surveillance and management actions. In recent years, the use of machine learning (ML) algorithms has shown promise to improve health care and management. In this sense, this thesis sought to develop ML algorithms that contribute to the surveillance, prevention, and treatment of NCD, with the aim of collaborating with public health through data and artificial intelligence (AI). To this end, four manuscripts with different applications were developed, in partnership with the São Paulo State Department of Health, which make up the collection of articles for this thesis. In the first article, a systematic literature review was developed to explore the use of ML algorithms in the prediction of arterial hypertension. Twenty-one articles published between January 2018 and May 2021 were analyzed, demonstrating the potential of ML algorithms to predict hypertension and improve preventive clinical decisions, although some of the studies evaluated presented problems of variable selection and adoption of good predictive practices. The second article was focused on predicting the risk of mortality in patients with malignant neoplasms in the state of São Paulo, Brazil. Using longitudinal data, several ML algorithms were tested, achieving high values of Area Under the ROC Curve (AUC-ROC) for different types of cancer (above 0.90). The results highlighted the potential to predict the risk of death in cancer patients in the state of São Paulo. The third article explored the use of unsupervised ML algorithms for the regionalization of municipalities in the state of São Paulo based on morbidity and mortality profiles due to NCD. By grouping the 645 municipalities, the study identified contiguous areas with similar morbidities and mortality. This approach demonstrated the potential of using ML in providing information for the planning and management of health systems. Finally, the fourth article sought to develop ML algorithms to support the evaluation of the performance of chronic health management in the municipalities of the state of São Paulo. To this end, we calculated expected values of age-adjusted premature mortality for each of the municipalities in the period from 2010 to 2019, from a ML algorithm. These expected values, when compared with those observed in these municipalities, indicate cases of overachievers or underachievers, which can guide the direction of health policies and care at the state level. The research presented in these articles contributes to the advancement of ML applications in the field of public health, opening paths for more effective strategies in coping with NCD and in promoting the health of the population.

The regulation of artificial intelligence for health in Brazil begins with the General Personal Data Protection Law / A regulação da inteligência artificial na saúde no Brasil começa com a Lei Geral de Proteção de Dados Pessoais

ABSTRACT Artificial intelligence develops rapidly and health is one of the areas where new technologies in this field are most promising. The use of artificial intelligence can modify the way health care and self-care are provided, besides influencing the organization of health systems. Therefore, the regulation of artificial intelligence in healthcare is an emerging and essential topic. Specific laws and regulations are being developed around the world. In Brazil, the starting point of this regulation is the Lei Geral de Proteção de Dados Pessoais (LGPD - General Personal Data Protection Law), which recognizes the right to explanation and review of automated decisions. Discussing the scope of this right is needed, considering the necessary instrumentalization of transparency in the use of artificial intelligence for health and the currently existing limits, such as the black-box system inherent to algorithms and the trade-off between explainability and accuracy of automated systems.

RESUMO A inteligência artificial se desenvolve rapidamente e a saúde é uma das áreas em que as novas tecnologias desse campo são mais promissoras. O uso de inteligência artificial tem potencial para modificar a forma de prestação da assistência à saúde e do autocuidado, além de influenciar a organização dos sistemas de saúde. Por isso, a regulação da inteligência artificial na saúde é um tema emergente e essencial. Leis e normas específicas são elaboradas em todo o mundo. No Brasil, o marco inicial dessa regulação é a Lei Geral de Proteção de Dados Pessoais, a partir do reconhecimento do direito à explicação e à revisão de decisões automatizadas. É preciso debater a abrangência desse direito, considerando a necessária instrumentalização da transparência no uso da inteligência artificial na saúde e os limites atualmente existentes, como a dimensão caixa-preta inerente aos algoritmos e o trade-off existente entre explicabilidade e precisão dos sistemas automatizados.

A evolução do eletrocardiograma na doença de Chagas: usos no diagnóstico, prognóstico e no seguimento de idosos / The evolution of the electrocardiogram in Chagas disease: uses in the diagnosis, in the prognosis and in the follow-up of the elderly

Introdução: A história natural da doença de Chagas (DCh) na população idosa é desconhecida, e a progressão da doença nessa faixa etária é controversa. Quando ela evolui para a forma cardíaca, a insuficiência cardíaca é uma das principais causas de morte. Um algoritmo de inteligência artificial (IA) mostrou excelente acurácia para detectar disfunção sistólica do ventrículo esquerdo (DSVE) através da análise do eletrocardiograma (ECG), mas seu uso não foi avaliado na DCh. Objetivo 1: Investigar a evolução das alterações de ECG em idosos com DCh crônica comparados a idosos não infectados (NDCh) e como ela afeta a sobrevida da população da coorte de idosos de Bambuí em um seguimento de 14 anos. Métodos 1: Um ECG de 12 derivações de cada indivíduo foi obtido em 1997, 2002 e 2008, e as anormalidades foram classificadas pelo Código de Minnesota. A influência da doença de Chagas na evolução do ECG foi avaliada por meio de riscos semicompetitivos. Uma análise de sobrevivência foi realizada a partir de um Landmark de 5,5 anos; os indivíduos dos grupos DCh e NDCh foram comparados separadamente pelo desenvolvimento de anormalidades maiores no ECG entre 1997 e 2002. Objetivo 2: Avaliar a capacidade de um algoritmo de IA (IA-ECG) em reconhecer DSVE (fração de ejeção do ventrículo esquerdo determinada pelo Ecocardiograma ≤ 40%) em pacientes com DCh da coorte SaMi-Trop. Métodos 2: Trata-se de estudo transversal dos ECG de pacientes com DCh. Os ECG foram submetidos à análise de algoritmo de IA treinado para detectar DSVE; o ecocardiograma foi padrão-ouro. O modelo foi enriquecido com níveis plasmáticos de NT-proBNP, sexo masculino e QRS ≥ 120ms. Resultados 1: Entre os 1.462 participantes da Coorte de idosos de Bambuí, 557 tinham DCh (idade mediana: 68 anos para DCh e 67 anos para NDCh). A DCh aumenta o risco de desenvolver uma nova anormalidade no ECG quando comparada à NDCh [HR: 2,89 (IC 95% 2,28 ­ 3,67)]. Desenvolver uma nova anormalidade no ECG na DCh aumenta o risco de morte em comparação com aqueles que mantêm um ECG normal [HR: 1,93 (IC 95% 1,02 ­ 3,65)]. Resultados 2: Entre os 1.304 participantes do estudo SaMi-Trop, 7,1% dos indivíduos têm DSVE e 59,5% têm anormalidades maiores no ECG. O IA-ECG identificou DSVE com OR= 63,3 (95% CI 32,3-128,9), sensibilidade de 73%, especificidade de 83%, acurácia de 83% e um valor preditivo negativo de 97%; a AUC foi de 0,839. O modelo ajustado para o sexo masculino e QRS ≥ 120ms aumentou a AUC para 0,859; o ajustado para o sexo masculino e NT-proBNP elevado apresentou acurácia de 0,89 e AUC de 0,874. Conclusões: A DCh está associada a um maior risco de progressão para cardiomiopatia em idosos. A ocorrência de uma nova anormalidade no ECG aumenta o risco de morte. O AI- ECG de pacientes com DCh pode se tornar uma poderosa ferramenta para o reconhecimento da DSVE, contribuindo assim para o tratamento com medicamentos de baixo custo que podem melhorar seus sintomas e reduzir a mortalidade.

Introduction: The natural history of Chagas disease (ChD) in the elderly population is unknown, and it is controversial whether the disease continues to progress in old age. When it progresses to the cardiac form, the heart failure is one of the leading causes of death. An artificial intelligence (AI) algorithm has shown excellent accuracy for detecting left ventricular systolic dysfunction (LVSD) using the electrocardiogram (ECG), but it has not been evaluated in ChD. Objective 1: To investigate the evolution of ECG changes in elderly people with chronic ChD compared to non-infected elderly (NChD) and how this affects the survival of the population of the elderly cohort of Bambuí in a 14-year follow-up. Methods 1: A 12-lead ECG of each subject was obtained in 1997, 2002, and 2008, and abnormalities were classified by the Minnesota Code. The influence of ChD on the ECG evolution was evaluated through semi-competitive risks. A survival analysis was performed from a 5.5-year Landmark; individuals of the ChD and NChD groups were compared separately for the development of major ECG abnormalities between 1997 and 2002. Objective 2: To analyze the AI-ECG's ability to recognize LVSD in patients with ChD from the SaMi-Trop cohort, defined as left ventricular ejection fraction determined by Echocardiogram ≤ 40%. Methods 2: Cross-sectional study of ECG obtained from the cohort of patients with ChD named SaMi-Trop. The digital ECGs of the participants were submitted to the analysis of the trained machine to detect LVSD. The diagnostic performance of the AI- ECG to detect LVSD was evaluated, and the echocardiogram was the gold standard. The model was enriched with NT-proBNP plasma levels, male sex, and QRS ≥ 120ms. Results 1: Among the 1,462 participants in the Bambuí Elderly Cohort, 557 had CDh (median age: 68 years for ChD and 67 years for NChD). ChD increases the risk of developing a new ECG abnormality when compared to NChD [HR: 2.89 (95% CI 2.28 ­ 3.67)]. Developing a new ECG abnormality in ChD increases the risk of death compared to those who maintain a normal ECG [HR: 1.93 (95% CI 1.02 ­ 3.65)]. Results 2: Among the 1,304 participants in the SaMi-Trop study, 7.1% of subjects have LVSD and 59.5% have major ECG abnormalities. The AI algorithm identified LVSD with OR= 63.3 (95% CI 32.3-128.9), sensitivity of 73%, specificity of 83%, accuracy of 83% and a negative predictive value of 97%; the AUC was 0.839. The model adjusted for the male sex and QRS ≥ 120ms improved the AUC to 0.859. The model adjusted for the male sex and elevated NT-proBNP had a higher accuracy of 0.89 and an AUC of 0.874. Conclusions: ChD is associated with a higher risk of progression to cardiomyopathy in the elderly. The occurrence of a new abnormality on the ECG increases the risk of death. AI - ECG of patients with ChD can be turned into a powerful tool for the recognition of LVSD, thus, contributing to the treatment with low-cost drugs that can improve symptoms and reduce mortality.

Plano nacional de vacinação contra a COVID-19: uso de inteligência artificial espacial para superação de desafios / National COVID-19 vaccination plan: using artificial spatial intelligence to overcome challenges in Brazil

Resumo O objetivo deste artigo é analisar o uso da inteligência artificial espacial no contexto da imunização contra COVID-19 para a seleção adequada dos recursos necessários. Trata-se de estudo ecológico de caráter transversal baseado em uma abordagem espaço-temporal utilizando dados secundários, em Unidades Básicas de Saúde do Brasil. Foram adotados quatro passos analíticos para atribuir um volume de população por unidade básica, aplicando algoritmos de inteligência artificial a imagens de satélite. Em paralelo, as condições de acesso à internet móvel e o mapeamento de tendências espaço-temporais de casos graves de COVID-19 foram utilizados para caracterizar cada município do país. Cerca de 18% da população idosa brasileira está a mais de 4 quilômetros de distância de uma sala de vacina. No total, 4.790 municípios apresentaram tendência de agudização de casos de Síndrome Respiratória Aguda Grave. As regiões Norte e Nordeste apresentaram o maior número de Unidades Básicas de Saúde com mais de 5 quilômetros de distância de antenas de celular. O Plano nacional de vacinação requer o uso de estratégias inovadoras para contornar os desafios do país. O uso de metodologias baseadas em inteligência artificial espacial pode contribuir para melhoria do planejamento das ações de resposta à COVID-19.

Abstract This article explores the use of spatial artificial intelligence to estimate the resources needed to implement Brazil's COVID-19 immu nization campaign. Using secondary data, we conducted a cross-sectional ecological study adop ting a time-series design. The unit of analysis was Brazil's primary care centers (PCCs). A four-step analysis was performed to estimate the popula tion in PCC catchment areas using artificial in telligence algorithms and satellite imagery. We also assessed internet access in each PCC and con ducted a space-time cluster analysis of trends in cases of SARS linked to COVID-19 at municipal level. Around 18% of Brazil's elderly population live more than 4 kilometer from a vaccination point. A total of 4,790 municipalities showed an upward trend in SARS cases. The number of PCCs located more than 5 kilometer from cell towers was largest in the North and Northeast regions. Innovative stra tegies are needed to address the challenges posed by the implementation of the country's National COVID-19 Vaccination Plan. The use of spatial artificial intelligence-based methodologies can help improve the country's COVID-19 response.

A neural network for prediction of risk of nosocomial infection at intensive care units: a didactic preliminary model / Uma rede neural de previsão de riscos de infecção nosocomial em unidades de cuidado intensivo: um modelo preliminar didático

ABSTRACT Objective: To propose a preliminary artificial intelligence model, based on artificial neural networks, for predicting the risk of nosocomial infection at intensive care units. Methods: An artificial neural network is designed that employs supervised learning. The generation of the datasets was based on data derived from the Japanese Nosocomial Infection Surveillance system. It is studied how the Java Neural Network Simulator learns to categorize these patients to predict their risk of nosocomial infection. The simulations are performed with several backpropagation learning algorithms and with several groups of parameters, comparing their results through the sum of the squared errors and mean errors per pattern. Results: The backpropagation with momentum algorithm showed better performance than the backpropagation algorithm. The performance improved with the xor. README file parameter values compared to the default parameters. There were no failures in the categorization of the patients into their risk of nosocomial infection. Conclusion: While this model is still based on a synthetic dataset, the excellent performance observed with a small number of patterns suggests that using higher numbers of variables and network layers to analyze larger volumes of data can create powerful artificial neural networks, potentially capable of precisely anticipating nosocomial infection at intensive care units. Using a real database during the simulations has the potential to realize the predictive ability of this model.

RESUMO Objetivo: Propor um modelo preliminar de inteligência artificial, baseado em redes neurais artificiais, para previsão do risco de infecção hospitalar em unidades de cuidado intensivo. Métodos: Foi usada uma rede neural artificial, que utiliza aprendizagem supervisionada. A geração dos conjuntos de dados baseia-se em dados derivados do sistema Japanese Nosocomial Infection Surveillance . Estudamos como o Java Neural Network Simulator aprende a categorizar esses pacientes para prever o respectivo risco de infecção hospitalar. As simulações são realizadas com diferentes algoritmos de aprendizagem por retropropagação e diversos grupos de parâmetros, comparando-se os resultados com base na soma dos erros quadráticos e erros médios por padrão. Resultados: O algoritmo de retropropagação com momentum mostrou desempenho superior ao do algoritmo de retropropagação. O desempenho foi melhor com os valores de parâmetros do arquivo xor. README em comparação aos parâmetros default . Não houve falhas na categorização de pacientes quanto ao respectivo risco de infecção hospitalar. Conclusão: Embora esse modelo se baseie em um conjunto de dados sintéticos, o excelente desempenho observado com um pequeno número de padrões sugere que o uso de números maiores de variáveis e camadas de rede para analisar volumes maiores de dados pode criar redes neurais artificiais poderosas, possivelmente capazes de prever com precisão o risco de infecção hospitalar em unidades de cuidado intensivo. O uso de um banco de dados real durante as simulações torna possível a realização da capacidade preditiva desse modelo.

Saúde digital: interseções entre a pesquisa científica e sua midiatização / Digital health: intersections between scientific research and its mediatization / Salud digital: intersecciones entre la investigación científica y su mediatización

Este ensaio apresenta a relação entre as divulgações científicas e as jornalísticas sobre saúde digital, utilizando como base metodológica a midiatização e as textualidades midiáticas. Foi possível demonstrar a similaridade entre os produtos e serviços estudados/divulgados. Os temas em voga foram Internet das coisas, aplicativos, dispositivos vestíveis, Inteligência Artificial, Big Data e robótica. Enquanto nos artigos científicos são apontadas vantagens e desvantagens das aplicações tecnológicas, sendo mais críticos, na mídia especializada valorizam-se as vantagens.

This essay presents the relationship between the scientific and the journalistic articles about digital health, using as a methodological basis the mediatization and the mediatic textuality. It was possible to demonstrate the similarity between the products and services studied/disclosed. The hot topics were Internet of Things, apps, wearable devices, Artificial Intelligence, Big Data and robotics. While in the scientific articles are pointed out advantages and disadvantages of technological applications, being more critical, in the specialized media the advantages are more valued.

Este ensayo presenta la relación entre las divulgaciones científicas y las periodísticas sobre salud digital, utilizando como base metodológica la mediatización y la textualidad mediática. Se pudo demostrar la similitud entre los productos y servicios estudiados/divulgados. Los temas en boga fueron Internet de las cosas, aplicaciones, dispositivos usables, Inteligencia Artificial, Big Data y robótica. Mientras que en los artículos científicos se apuntan ventajas y desventajas de las aplicaciones tecnológicas, siendo estas más críticas, en los medios especializados se valoran mucho más las ventajas.

Phenotype mapping of heart failure with preserved ejection fraction / Mapeamento fenotípico da insuficiência cardíaca com fração de ejeção preservada

Heart failure with preserved ejection fraction (HFPEF) has become the main phenotypic model of heart failure (HF) in community and referral patients in Brazil and in the world. Despite advances in the development of new drugs for HF treatment, there has been no significant improvement in mortality of this condition. According to many studies, this can be explained by the heterogeneous nature of HF physiopathology, whose basic mechanisms may result in different clinical presentations, culminating in the emerging of different phenogroups in this syndrome. In this context, phenotype mapping of HFPEF has emerged as a possible solution, since it enables the development of clinical trials that establish specific therapeutic strategies for each phenotypic profile. New technologies in the field of artificial intelligence have enabled the assessment of a large volume of data and infer intrinsic patterns and different outcomes. Thereby, it is possible to obtain mutually exclusive categories of HFPEF, with a phenotype mapping of the syndrome and grouping of patients according to their phenotypic features. Besides, other diseases can have the same clinical phenotype but different pathophysiological basis, the so called "phenocopies". These tools enable the analysis and categorization of the wide spectrum of heart failure, contributing to solve the dilemmas of the treatment of this syndrome

Comparação da performance de algoritmos de machine learning para a análise preditiva em saúde pública e medicina / Comparison of machine learning algorithms performance in predictive analyzes in public health and medicine

Modelos preditivos estimam o risco de eventos ou agravos relacionados à saúde e podem ser utilizados como ferramenta auxiliar em tomadas de decisão por gestores e profissionais de saúde. Algoritmos de machine learning (ML), por sua vez, apresentam potencial para identificar relações complexas e não-lineares presentes nos dados, com consequências positivas na performance preditiva desses modelos. A presente pesquisa objetivou aplicar técnicas supervisionadas de ML e comparar sua performance em problemas de classificação e de regressão para predizer respostas de interesse para a saúde pública e a medicina. Os resultados e discussão estão organizados em três artigos científicos. O primeiro apresenta um tutorial para o uso de ML em pesquisas de saúde, utilizando como exemplo a predição do risco de óbito em até 5 anos (frequência do desfecho 15%; n=395) para idosos do estudo \"Saúde, Bem-estar e Envelhecimento\" (n=2.677), segundo variáveis relacionadas ao seu perfil demográfico, socioeconômico e de saúde. Na etapa de aprendizado, cinco algoritmos foram aplicados: regressão logística com e sem penalização, redes neurais, gradient boosted trees e random forest, cujos hiperparâmetros foram otimizados por validação cruzada (VC) 10-fold. Todos os modelos apresentaram área abaixo da curva (AUC) ROC (Receiver Operating Characteristic) maior que 0,70. Para aqueles com maior AUC ROC (redes neurais e regressão logística com e sem penalização) medidas de qualidade da probabilidade predita foram avaliadas e evidenciaram baixa calibração. O segundo artigo objetivou predizer o risco de tempo de vida ajustado pela qualidade de vida de até 30 dias (frequência do desfecho 44,7%; n=347) em pacientes com câncer admitidos em Unidade de Terapia Intensiva (UTI) (n=777), mediante características obtidas na admissão do paciente à UTI. Seis algoritmos (regressão logística com e sem penalização, redes neurais, árvore simples, gradient boosted trees e random forest) foram utilizados em conjunto com VC aninhada para estimar hiperparâmetros e avaliar performance preditiva. Todos os algoritmos, exceto a árvore simples, apresentaram discriminação (AUC ROC > 0,80) e calibração satisfatórias. Para o terceiro artigo, características socioeconômicas e demográficas foram utilizadas para predizer a expectativa de vida ao nascer de municípios brasileiros com mais de 10.000 habitantes (n=3.052). Para o ajuste do modelo preditivo, empregou-se VC aninhada e o algoritmo Super Learner (SL), e para a avaliação de performance, o erro quadrático médio (EQM). O SL apresentou desempenho satisfatório (EQM=0,17) e seu vetor de valores preditos foi utilizado para a identificação de overachievers (municípios com expectativa de vida superior à predita) e underachievers (município com expectativa de vida inferior à predita), para os quais características de saúde foram comparadas, revelando melhor desempenho em indicadores de atenção primária para os overachievers e em indicadores de atenção secundária para os underachievers. Técnicas para a construção e avaliação de modelos preditivos estão em constante evolução e há poucas justificativas teóricas para se preferir um algoritmo em lugar de outro. Na presente tese, não foram observadas diferenças substanciais no desempenho preditivo dos algoritmos aplicados aos problemas de classificação e de regressão analisados. Espera-se que a maior disponibilidade de dados estimule a utilização de algoritmos de ML mais flexíveis em pesquisas de saúde futuras

Predictive models estimate the risk of health-related events or injuries and can be used as an auxiliary tool in decision-making by public health officials and health care professionals. Machine learning (ML) algorithms have the potential to identify complex and non-linear relationships, with positive implications in the predictive performance of these models. The present research aimed to apply various ML supervised techniques and compare their performance in classification and regression problems to predict outcomes of interest to public health and medicine. Results and discussion are organized into three articles. The first, presents a tutorial for the use of ML in health research, using as an example the prediction of death up to 5 years (outcome frequency=15%; n=395) in elderly participants of the study \"Saúde, Bemestar e Envelhecimento\" (n=2,677), using variables related to demographic, socioeconomic and health characteristics. In the learning step, five algorithms were applied: logistic regression with and without regularization, neural networks, gradient boosted trees and random forest, whose hyperparameters were optimized by 10-fold cross-validation (CV). The area under receiver operating characteristic (AUROC) curve was greater than 0.70 for all models. For those with higher AUROC (neural networks and logistic regression with and without regularization), the quality of the predicted probability was evaluated and it showed low calibration. The second article aimed o predict the risk of quality-adjusted life up to 30 days (outcome frequency=44.7%; n=347) in oncologic patients admitted to the Intensive Care Unit (ICU) (n=777), using patients\' characteristics obtained at ICU admission. Six algorithms (logistic regression with and without regularization, neural networks, basic decision trees, gradient boosted trees and random forest) were used with nested CV to estimate hyperparameters values and to evaluate predictive performance. All algorithms, with exception of basic decision trees, presented acceptable discrimination (AUROC > 0.80) and calibration. For the third article, socioeconomic and demographic characteristics were used to predict the life expectancy at birth of Brazilian municipalities with more than 10,000 inhabitants (n=3,052). Nested CV and the Super Learner (SL) algorithm were used to adjust the predictive model, and for evaluating performance, the mean squared error (MSE). The SL showed good performance (MSE=0.17) and its vector of predicted values was used for the identification of underachievers and overachievers (i.e. municipalities showing worse and better outcome than predicted, respectively). Health characteristics were analyzed revealing that overachievers performed better on primary health care indicators, while underachievers fared better on secondary health care indicators. Techniques for constructing and evaluating predictive models are constantly evolving and there is scarce theoretical justification for preferring one algorithm over another. In this thesis no substantial differences were observed in the predictive performance of the algorithms applied to the classification and regression problems analyzed herein. It is expected that increase in data availability will encourage the use of more flexible ML algorithms in future health research

Fatores que contribuem para a mortalidade infantil utilizando a mineração de dados / Factors that contribute to children ́s mortality assessed through data mining

Objetivo: complementar os fatores relacionados à mortalidade infantil. Método: foram utilizados os dados do Sistema de Informação sobre Nascidos Vivos e do Sistema de Informação de Mortalidade, do período de 2010 a 2014, de um município do Estado do Paraná. Foram extraídas estatísticas descritivas, e utilizado mineração de dados, por meio dos algoritmos J48 e NPP. Resultados: foram identificadas relações entre o baixo peso ao nascer e a idade gestacional; observou-se que mães com mais de um nascido morto tiveram crianças prematuras; não foram identificadas associações entre a escolaridade materna e a mortalidade infantil; destacam-se que 56,8% dos óbitos eram evitáveis, sendo a maioria reduzíveis por atenção adequada à mulher durante a gestação. Conclusão: são fatores relacionados à mortalidade infantil o baixo peso ao nascer, idade gestacional e anomalias, isso reforça a necessidade de políticas públicas voltadas à saúde materna e aos nascimentos prematuros.

To complement factors related to infant mortality. Data were retrieved from the Information System on Live Births and from the Information System of Mortality, between 2010 and 2014 in a municipality in the state of Paraná, Brazil. Descriptive statistics were taken and data mining was employed through algorithms J48 and NPP. Relationships between low weight at birth and pregnancy age were identified; it has been reported that mothers with more than one infant death had premature children; 56.8% of deaths were avoidable and lacked adequate care during pregnancy. Low weight at birth, pregnancy age and anomalies are factors related to infant mortality. Public policies towards mothers´ health and towards premature births are required.

Algoritmos de aprendizaje automático para la clasificación de neuronas piramidales afectadas por el envejecimiento / Machine learning algorithms for classification of pyramidal neurons affected by aging

Una caracterización morfológica precisa de las múltiples clases neuronales del cerebro facilitaría la elucidación de la función cerebral y los cambios funcionales que subyacen a los trastornos neurológicos tales como enfermedades de Parkinson o la Esquizofrenia. El análisis morfológico manual es muy lento y sufre de falta de exactitud porque algunas características de las células no se cuantifican fácilmente. Este artículo presenta una investigación en la clasificación automática de un conjunto de neuronas piramidales de monos jóvenes y adultos, las cuales degradan su estructura morfológica con el envejecimiento. Un conjunto de 21 características se utilizaron para describir su morfología con el fin de identificar las diferencias entre las neuronas. En este trabajo se evalúa el desempeño de cuatro métodos de aprendizaje automático populares en la clasificación de árboles neuronales. Los métodos de aprendizaje de máquinas utilizadas son: máquinas de vectores soporte (SVM), k-vecinos más cercanos (KNN), regresión logística multinomial (MLR) y la red neuronal de propagación hacia atrás (BPNN). Los resultados mostraron las ventajas de MLR y BPNN con respecto a los demás para estos fines. Estos algoritmos de clasificación automáticaofrecen ventajas sobre la clasificación manualbasada en expertos.Mientras que la neurociencia está pasando rápidamente a datos digitales, los principios detrás de los algoritmos de clasificación automática permanecen a menudo inaccesibles para los neurocientíficos, lo que limita las posibilidades de avances(AU)

Accurate morphological characterization of the multiple neuronal classes of the brain would facilitate the elucidation of brain function and the functional changes that underlie neurological disorders such as Parkinson's diseases or Schizophrenia. Manual morphological analysis is very time-consuming and suffers from a lack of accuracy because some cell characteristics are not readily quantified. This paper presents an investigation in the automatic classification of a data set of pyramidal neurons of young and adult monkeys, which degrade his morphologic structure with the aging. A set of 21 features were used to describe their morphology in order to identify differences between neurons. Thispaper evaluates the performance of four popular machine learning methods, in the classification of neural trees. The machine learning methods used are: support vector machines (SVMs), k-nearest neighbors (KNN), multinomial logistic regression (MLR) and back propagation neural network (BPNN). The results showed the advantages of MLR and BPNN with respect to others for this purposes. These automatic classification algorithms offer advantages over manual expert based classification. While neuroscience is rapidly transitioning to digital data, the principles behind automatic classification algorithms remain often inaccessible to neuroscientists, limiting the potential for breakthroughs(AU)

Referatório semântico de objetos de aprendizagem sobre doença renal crônica / Semantic referatory of learning objects related to chronic kidney disease

A falta de monitoramento dos indicadores da Doença Renal Crônica (DRC) aponta a necessidade de ações educativas capazes de inserir profissionais de Atenção Primária à Saúde (APS) na prevenção da doença. OBJETIVO: Desenvolver um referatório semântico de objetos de aprendizagem relacionados à DRC destinado para profissionais de APS. MÉTODOS: Modelagem de uma ontologia e utilização do padrão Resource Description Framework (RDF) para representar informações sobre DRC e metadados de objetos de aprendizagem, respectivamente, de maneira legível e processável por máquinas. RESULTADO: Referatório capaz de evidenciar conceitos relacionados à DRC e de gerenciar e fornecer acesso à objetos de aprendizagem categorizados de acordo com estes conceitos e descritos por metadados. CONCLUSÃO: O fornecimento de sentido semântico para recursos digitais relacionados à saúde facilita a padronização, recuperação e compartilhamento de informações sobre um domínio particular da saúde e permite subsidiar um processo de autoaprendizagem suportado por Representação do Conhecimento e Raciocínio.

The lack of monitoring of the Chronic Kidney Disease (CKD) indicators by professionals of Primary Health Care (PHC) launched an alert to the need to create educational activities able to enter them in the disease prevention. GOAL: Development of a semantic referatory of learning objects related to CKD aimed at PHC. METHODS: Ontology modeling and use of Resource Description Framework (RDF) standard to represent, respectively, CKD information and metadata of learning objects, in a legible and machine processable way. RESULTS: A referatory capable of making evident concepts related to CKD and manage and permit access to a learning objects collection categorized by these concepts and described by metadata that exposes their characteristics. CONCLUSION: Permitting semantic sense to digital resources related to health facilitates standardization, retrieval and sharing of information related to a particular health domain and allows support to a process of self-learning based on Knowledge Representation and Reasoning.

Suporte à decisão clínica no domínio da doença renal crônica / Clinical decision support in the chronic kidney disease domain

OBJETIVOS: Propor uma abordagem de Suporte à Decisão Clínica, baseada em semântica e raciocínio, utilizando uma ontologia para representar o conhecimento presente nos conjuntos de diretrizes para prática clínica no domínio da nefrologia. MÉTODOS: A metodologia foi composta pelas fases de escolha do domínio, especificação do conhecimento, aquisição de conhecimento, modelagem semântica da ontologia, definição dos métodos de avaliação e desenvolvimento do protótipo para facilitar a realização de inferência e avaliação da consistência do conhecimento representado. RESULTADOS: Este estudo possui como resultados um léxico ampliado da linguagem, contendo 79 palavras e frases mais significativas do domínio da Doença Renal Crônica (DRC), e a ontologia OntoDecideDRC, cujos conceitos de classes e propriedades forneceram subsídios para o Suporte às Decisões Clínicas relacionadas ao diagnóstico, estadiamento e encaminhamento de pacientes com DRC. CONCLUSÃO: Essa abordagem é capaz de fornecer recomendações baseadas em evidências podendo promover a qualidade no atendimento médico.

GOALS: Propose an approach of Clinical Decision Support, based on semantics and reasoning, using an ontology to represent this knowledge in sets of guidelines for clinical practice in the field of nephrology. METHODS: The methodology consisted in phases of choice domain, knowledge specification, acquisition of knowledge, semantic modeling of ontology, definition of the evaluation methods and prototype development to facilitate the achievement of inference and evaluation of the consistency of the represented knowledge. RESULTS: This study has as result an extended lexicon of language, containing 79 words and phrases more meaningful in the field of Chronic Kidney Disease (CKD), and OntoDecideCKD ontology, which concepts of classes and properties provided subsidies to the Clinical Decisions Support to related to the diagnosis, staging, and referral of patients with CKD. CONCLUSION: This approach is able toprovide evidence-based recommendations, promoting quality in medical care.

Characterization of a thermostable endoglucanase produced by Isoptericola variabilis sp. IDAH9

Abstract This study aimed to isolate and evaluate the cellulase activity of cellulolytic bacteria in hot springs of Dehloran, Ilam province, Iran. Water and sludge samples were collected from the hot springs and the bacterial enrichment was performed in a medium containing rice barn and carboxymethyl cellulose (CMC). The cultures were incubated at 50 °C in aerobic conditions. The bacteria were isolated on CMC agar (1%) medium. Cellulase assay of the isolates was measured by the evaluation of endoglucanase enzyme activity, which is also called as carboxymethyl cellulase (CMCase). The isolated thermotolerant bacteria were then identified and optimized for the production of CMCase. Moreover, stabilizing elements of the enzyme were identified with in silico approach. The chosen isolate was identified as Isoptericola variabilis sp. IDAH9. The identified strain produced the most thermostable CMCase at a concentration of 5.6 g/L of ammonium sulfate, 9 g/L CMCase or 12 g/L rice bran, 0/6% Tween-80, and 0.2% sucrose. The produced enzyme showed 80% of the residual activity after 1 h of incubation at 65 °C. In silico data indicated that the remaining residual activity was due to the redundant stabilizing elements in the protein structure. Consequently, I. variabilis can be isolated from the extreme environment and has a thermostable endoglucanase which may be used for various applications after studying them.

Componente web para el análisis de información clínica usando la técnica de Minería de Datos por agrupamiento / Web component for the analysis of clinical information using the technique of clustering data mining

La digitalización de los diferentes procesos y la automatización de los servicios generan grandes volúmenes de información. La Minería de Datos (MD) es una técnica de Inteligencia Artificial que permite encontrar la información no trivial que reside en los datos almacenados. La presente investigación pretende desarrollar una vista de análisis para el Sistema Integral para la Atención Primaria de Salud (SIAPS), usando la técnica de agrupamiento enmarcada en el algoritmo Simple K-Means, con el objetivo de realizar un análisis de la información clínica de los pacientes; para ello se plantea la extracción del conocimiento del almacén de datos alimentado del repositorio de historias clínicas electrónicas. La investigación se sustenta en la herramienta de libre distribución WEKA, esta funciona de forma aislada al SIAPS; la interfaz, así como las vistas, modelos e informes generados por WEKA en ocasiones resultan de difícil comprensión por los profesionales de la salud, los que no necesariamente tienen que poseer conocimientos avanzados de las nuevas tecnologías de la información. Para el desarrollo de la solución se empleó el lenguaje de programación Java 1.6, como servidor de aplicación JBoss 4.2 y Eclipse 3.4 como plataforma de desarrollo, como Sistema Gestor de Bases de Datos PostgreSQL 8.4 y SEAM como framework de integración. Durante todo el proceso se hizo uso de la plataforma Java Enterprise Edition 5.0. Como resultado se espera obtener una vista de análisis que facilite la comprensión de los modelos generados, apoyando de esta forma el proceso de toma de decisiones clínicas(AU)

The digitization of the different processes and automation services generate large volumes of information. Data mining (DM) is an artificial intelligence technique that allows finding non-trivial information residing in stored data. This research aims to develop a view of analysis for the Integral System for Primary Health Care (SIAPS), using grouping technique framed on Simple K-Means algorithm, with the goal of completing an analysis of the patients' clinical information, for it raises the extraction of knowledge from data warehouse powered by the repository of electronic medical records. The research is based on the free distribution tool WEKA, it works in isolation of SIAPS, the interface, as well as the views, models and reports generated by WEKA are sometimes difficult to understand by health professionals, who do not necessarily have to possess advanced knowledge of new information technologies. For the development of the solution was used Java 1.6 as a programming language, JBoss 4.2 as the application Server and Eclipse 3.4 as a development platform. PostgreSQL 8.4 was used as Database Management System and the integration framework SEAM. Java Enterprise Edition 5.0 platform was used during the whole process. An analysis view to facilitate the understanding of the generated models is expected as a result, to support the process of making clinical decisions(AU)

Desenvolvimento e avaliação de ferramentas computacionais para triagem automática de sujeitos de pesquisa / Development and evaluation of computational tools for automatic selection of research subjects

O sucesso de um projeto de pesquisa em medicina depende do recrutamento de um número suficiente de participantes de pesquisa. Um dos desafios para atingir a quantidade adequada é como utilizar dados de prontuário eletrônico para acelerar a avaliação de pacientes. Atualmente, isto é feito por revisão manual dos prontuários, um processo demorado e propenso a erros. Neste trabalho, especificamos e implementamos Ontocloud, um sistema de integração de dados baseado reescrita de consultas e em ontologias, com capacidade de inferência, para seleção de pacientes que atendam a critérios clínicos utilizando dados de prontuário eletrônico. Aplicamos este sistema a um estudo clínico real, conduzido no A.C. Camargo Cancer Center, e verificamos que atendeu a todos os critérios especificados e resolveu adequadamente o problema de seleção de participantes de pesquisa. Ainda, mostramos que sua performance é compatível com sistemas de integração similares...

A successful medical research project is entirely dependent on enough subjects being recruited. Among the challenges to achieve recruitment target, using avaliable data from electronic medical records to speed up the patient identification process. In this thesis, we specified and implemented Ontocloud, a query-rewriting, inference capable, ontology based data integration system, for selection of patients meeting clinical criteria using electronic medical records data. We applied it to a real clinical trial conducted at the AC Camargo Cancer Center and verified that it fulfilled all specified requirements, effectively solving the research subject selection problem. Also, we showed that Ontocloud performance is compatible with similar data integration systems...

Conocimientos, actitudes y prácticas relacionados con el embarazo y primeras causas de mortalidad infantil: Matagalpa, 1997

Estudio descriptivo realizado en Matagalpa, Nicaragua, ubicado a 130 km al norte de Managua que presenta los más altos indicadores de pobreza y de morbimortalidad infantil y materna a pesar de ser uno de los departamentos más productivos del país. En su mayoría la población es campesina, representando la población urbana el 28 por ciento y la rural el 72 por ciento. Las principales causas de los problemas de salud se explican por las condiciones economicas y sociales de la población matagalpina. En el estudio realizado se encontró que las enfermedades de alta prevalencia son las Enfermedades Diarréicas Agudas (EDA) e Infecciones Respiratorias Agudas (IRA). Los conocimientos y prácticas de las madres para combatir o contrarrestar estas enfermedades fueron muy deficientes y alarmantes pues se agrava el cuadro del niño que las padece. La lactancia materna es una práctica de la población estudiada, asi como la introducción de alimentos a los niños mayores de cinco meses. Las prácticas y conocimientos acerca del embarazo alcanza niveles muy bajos y no saben de los cuidados durante el embarazo y el parto, no acuden al control prenatal lo que las coloca en una posición de riesgo. La situación refleja que los servicios de salud influyen muy poco y que la cobertura de salud es muy baja en el territorio estudiado, por lo que es necesario plantearse acciones urgentes que contrarresten esta situación de riesgo que vive la población infantil de Matagalpa.