Transformação digital na saúde materna: o uso de um dispositivo vestível e da inteligência artificial para a predição de desfechos da gravidez e parto

• Ano de defesa: 2024
• Autor(a) principal: Barbosa Junior, Francisco
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Actigrafia; Actigraphy; Aprendizado de máquina; Artificial intelligence; Inteligência artificial; Machine learning; Maternal health; Saúde materna
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17139/tde-25072024-114708/

Aproximadamente 830 mulheres morrem diariamente de causas relacionadas a gravidez e ao trabalho de parto. A pré-eclâmpsia é uma condição de saúde que lidera as causas mundiais de morbimortalidade materna e neonatal e está associada a um estado pró-inflamatório do organismo. Por sua vez, estados pró-inflamatórios podem ser associados a distúrbios do ciclo sono-vigília. A polissonografia (PSG) é considerada o padrão ouro para determinação objetiva das características de sono-vigília de indivíduos. Devido a sua complexidade de configuração, uso de pessoal especializado e alto custo de operação, seu uso se torna restrito. Existem alternativas à PSG, sendo elas medidas subjetivas: entrevistas clínicas, questionários validados e diários de sono. Devido aos pontos fracos das medidas subjetivas, há apenas uma correlação moderada entre elas e a PSG. Assim, outra medida objetiva cada vez mais utilizada para obter informações do ciclo sono-vigília é a actigrafia. Consideramos a hipótese de que estados inflamatórios da gestação podem estar associados a alterações no padrão de sono de mulheres gestantes. O presente estudo objetiva treinar algoritmos de Aprendizado de Máquina (AM) para prever a ocorrência de pré-eclâmpsia em gestantes. Foram analisados os dados do projeto Maternal Actigraphy Exploratory Study I (MAES-I), uma coorte prospectiva multicêntrica na qual as participantes poderiam ser incluídas entre a 19o e 21o semana de gestação e deveriam utilizar um dispositivo de actigrafia desde a inclusão até o parto. O estudo inicialmente contou com 400 mulheres, mas após a aplicação de critérios de exclusão o número foi reduzido para 302 participantes, resultando em 29.630 noites de dados de actigrafia. Os dados brutos de actigrafia foram processados com o pacote GGIR do R, abrangendo aspectos do sono e atividade diurna, como horários de dormir e acordar, tempo total na cama, e períodos de inatividade. Os dados clínicos incluíram variáveis como etnia, idade, estado civil, escolaridade e histórico de gravidez. Como comparação para o treinamento, foram utilizadas duas versões de bases de dados: uma combinando informações clínicas e de actigrafia e outra exclusivamente com dados de actigrafia. Para a análise, empregou-se o software WEKA, que fornece uma ampla gama de ferramentas e algoritmos de aprendizado de máquina. O treinamento dos classificadores utilizou a técnica de K-Fold Cross Validation, com k=10, uma abordagem que permite uma avaliação mais robusta e menos enviesada do desempenho do modelo. Destaca-se a necessidade de cautela na interpretação dos dados de actigrafia, dada a complexidade e as limitações inerentes ao método, como a interpretação de padrões movimentação de gestantes. Salienta-se a relevância do equilíbrio de classes em problemas de classificação no AM e a necessidade de validação específica para dispositivos de actigrafia e populações específicas. Conclui-se que apenas os dados de actigrafia não são suficientes para um treinamento satisfatório dos algoritmos utilizados, sendo necessário abordagens mais aprofundadas e a utilização de dados brutos para futuras análises de AM, bem como a necessidade de estudos adicionais envolvendo o uso simultâneo de actigrafia e polissonografia. Por outro lado, associando os dados clínicos aos dados de actigrafia, obtém-se boas medidas de desempenho dos classificadores, especialmente com os Random Forest, IBk com KNN = 1 e IBk com KNN = 3. Este trabalho representa um passo significativo na compreensão da actigrafia em gestantes, ressaltando o potencial do aumento do poder computacional na pesquisa e na prática clínica.