Força-tarefa COVID-19 Unicamp

Inteligência Artificial e Espectrometria de Massa na Previsão de COVID-19 e suas Complicações

Problema

Em um esforço da Unicamp/USP, buscamos desenvolver um teste rápido e de baixo custo para diagnosticar os casos de COVID-19 e, além disso, identificar os pacientes com risco de evoluir para quadros de insuficiência respiratória.

Proposta

O projeto combina ferramentas de metabolômica (estudo do conjunto de metabólitos em amostras biológicas) e inteligência artificial (aprendizado de máquina) para buscar biomarcadores que ajudem no diagnóstico e na avaliação do prognóstico de diversas doenças, entre elas síndrome metabólica , infecções virais e fibrose cística .

As amostras dos pacientes serão inicialmente analisadas em um espectrômetro de massas (uma espécie de balança molecular), equipamento capaz de revelar todos os metabólitos presentes no fluido corporal. Esse conjunto de moléculas, por sua vez, indica aos cientistas os diversos processos metabólicos ativos no organismo. A parte de espectrometria será coordenada por Rodrigo Ramos Catharino , coordenador do Laboratório Innovare de Biomarcadores da Unicamp. A parte da coleta será feita sob coordenação de Rinaldo Focaccia Siciliano , médico assistente da Divisão de Moléstias Infecciosas e Parasitárias do Hospital das Clínicas (HC-FM-USP) e da Unidade de Controle de Infecção Hospitalar do Instituto do Coração (InCor) .

O passo seguinte será feito no Instituto de Computação da Unicamp, sob a coordenação do professor Anderson Rocha e consiste no desenvolvimento de ferramentas de aprendizado de máquinas para analisar tanto os resultados das amostras de indivíduos com COVID-19 quanto das amostras de pessoas saudáveis, que servirão de controle.

Soluções

Buscamos coletar dados de pacientes, analisar as amostras em um espectometro de massas e analisas as assinaturas espectrais com técnicas de IA + ML.

Necessidades

No momento, a maior necessidade é amostras dos pacientes. Estamos aguardando as amostras serem coletadas no Hospital das Clínicas de aproximadamente 450 pacientes.

1 curtida

Anderson, encontrei alguns artigos que sugerem alterações no hemograma relacionadas ao COVID-19.


Como é um exame de baixa complexidade, acredito que tem um alcance maior para aplicação em massa.
Estou buscando amostras de hemogramas para validar um modelo usando Neuroevolução. Acredita que essas iniciativas podem se juntar no quesito do acesso aos dados?

@Anderson.Rocha, eu tenho domínio da parte analítica por trás da espectrometria, que podem ser relevantes como preprocessamento para as coisas de ML. Se achar que pode ser útil, não deixe de avisar.

1 curtida

Obrigado, Hugo. No momento, não consigo ainda dizer sobre como poderia ser aplicado. Você teria ideias? Os dados que temos intenção de coletar são amostras de fluidos para posterior espectrometria de massas e tentarmos achar algum biomarcador usando IA. Tudo muito insipiente ainda mas temos esperança.

Benilton, certamente seu conhecimento será bem-vindo. Obrigado! Vamos aguardar os dados e vermos o que temos chance de buscar. Muita expectativa para recebermos os dados.

@Anderson.Rocha. Tenho um conhecimento básico em Machine Learning e em alguns frameworks para sua aplicação e gostaria de poder ajudar de alguma forma nesse projeto.
Fico a disposição e se precisar meu endereço de e-mail é pbmausbach@hotmail.com.

Boa noite Anderson,

No meu entendimento do contato que tive com os profissionais da saúde, o hemograma possui vários parâmetros que não possuem uma interpretação clínica muito direta.
Os artigos que postei sugerem uma variação principalmente no número de linfócitos, mas também de leucócitos, em pacientes com COVID-19, que são parâmetros bastante comuns.
Acredito que outros parâmetros mais “baixo nível” também podem apresentar uma correlação com a doença.

Diante disso tenho duas hipóteses que gostaria de trabalhar:

  1. Utilizar o algoritmo NEAT pra encontrar indicativos clínicos da doença, que podem ser utilizados para determinar a severidade de uma infecção respiratória no atendimento clínico.
    Como o NEAT gera uma rede mínima, a ideia é analisar as redes gerada pelos melhores genomas para encontrar novos índices clínicos (como os índices hematimétricos) que podem ser descritos matematicamente a partir do hemograma.

  2. Usando os indicativos encontrados pelo método acima, desenvolver um teste barato e rápido de alta especificidade (bom em detectar quem não tem a doença) para aplicação em massa, como triagem para os testes de alta sensibilidade.

Talvez seja possível trabalhar as duas hipóteses em paralelo, utilizando o NEAT diretamente para identificar os casos com baixa probabilidade.

Não tenho muito conhecimento de espectrometria mas qualquer coisa que precisarem de ajuda com ML é só avisar.

Olá pessoal!
Sou pós-doutoranda em bioinformática do Instituto de Biologia e tenho experiência com análise de dados de espectrometria de massa em humanos. Podem contar comigo para qualquer ajuda…

Olá, gostaria de me colocar a disposição para o que for necessário quanto a Algoritmos Genéticos, estou desenvolvendo uma pesquisa sobre o assunto no momento, caso precisem de algo e eu puder contribuir ficarei grato em ajudar.

Obrigado! Assim que recebermos os dados, conseguiremos mensurar as atividades. Abraços,

Obrigado! Ainda não recebemos os dados. Ao receber, conseguiremos avaliar as frentes necessárias!

Anotado! Obrigado :slight_smile:

Certamente! Obrigado :slight_smile:

É uma linha bem interessante. Vou anotar aqui. Obrigado.