Desenvolvimento e aplicação de uma rede neural artificial para identificação de infarto agudo do miocárdio com elevação do segmento st: uma nova ferramenta para otimização diagnóstica / Development and application of an artificial neural network to identify acute myocardial infarction with ST segment elevation: a new tool for diagnostic optimization

INTRODUÇÃO: As doenças cardiovasculares (DCVs) são as principais responsáveis pelas mortes no mundo desde o último século, sendo o infarto agudo do miocárdio (IAM) a causa isolada de maior dsetaque, muitas vezes em virtude da dificuldade diagnóstica. A incorporação de novas tecnologias com uso de Inteligência Artificial (AI) surge como potencial aliada neste cenário. OBJETIVO: O objetivo do presente estudo foi desenvolver um modelo de Redes Neurais Artificiais (RNAs) com a utilização de imagens de eletrocardiogramas (ECGs) e a extração dos sinais com alta sensibilidade e especificidade em relação aos laudos médicos para a identificação de casos de IAM com elevação do segmento ST (IAMCST). MÉTODOS: O modelo foi treinado com dados de 3.768 exames de janeiro a dezembro de 2022, totalizando 17.567 derivações. Do total, 820 eram exames com IAMCST e 2.948 sem IAMCST. Foram separados 90% dos dados para treino e 10% para teste. A arquitetura da rede utilizada foi baseada na ResNet de uma dimensão com uma camada de convolução inicial, quatro blocos de camadas residuais e um bloco de camada densa para classificação binária. O sinal foi filtrado, padronizado com mediana igual a 0 e desvio padrão igual a 1 e utilizado padding para padronização de tamanho dentre todas as derivações. Como forma de aumentação de dados, com objetivo de fornecer a rede mais dados para aprender sobre IAMCST, foi realizado um filtro SavGol nos sinais, o que fez com que se obtivesse o dobro de sinais originais das imagens, para entrada no modelo neural. Ainda que a IA tenha sido treinada com as derivações, a acurácia foi mensurada por exame. Resultados: O modelo obteve, ao final, uma sensibilidade de 97%, especificidade de 69% e área sob a curva ROC de 92% para a predição de IAMCST por exame. Tal resultado foi um ganho para o uso das redes neurais, visto que a tecnologia anteriormente utilizada, apenas com a extração das métricas das ondas, apresentou acurácia inferior. CONCLUSÃO: Concluímos que os modelos de RNA, que extraem sinais das imagens e os transformam em predições para auxílio na tomada de decisão de médicos, podem ser incluídos no arsenal de métodos preditivos para triagem de IAMCST, com elevada sensibilidade.

Desenvolvimento e aplicação de uma rede neural artificial para identificação de fibrilação atrial no eletrocardiograma: uma nova ferramenta para otimização diagnóstica / Development and application of an artificial neural network to identify atrial fibrillation on the electrocardiogram: a new tool for diagnostic optimization

INTRODUÇÃO: A fibrilação atrial (FA) é a arritmia cardíaca sustentada mais comum no mundo e está associada a alta morbidade e mortalidade. O diagnóstico precoce da FA é parte fundamental para o controle bem sucedido da carga global da doença e, infelizmente, muitos casos não são diagnosticados devido à dificuldade de identificação da arritmia por profissionais de saúde não especializados. Nesse contexto, o uso de inovações tecnológicas como a inteligência artificial no processo de investigação diagnóstica surge como uma potencial intervenção disruptiva. OBJETIVO: O objetivo do presente estudo foi desenvolver um modelo de redes neurais artificiais (RNAs) com utilização de imagens de eletrocardiograma (ECG) e extração de sinais com alta sensibilidade e especificidade em relação a laudos médicos. MÉTODOS: O modelo foi treinado com dados de 11.029 ECGs de janeiro a dezembro de 2022, que totalizaram 100.108 derivações para treinamento da rede neural, uma ResNet unidimensional, utilizada com uma camada de convolução inicial, quatro blocos de camadas residuais e um bloco de densa camada para classificação binária. A extração foi individual de acordo com a disposição e tamanho das derivações na imagem do ECG, que foram então transformadas em um sinal unidimensional. A partir dos dados brutos em forma de sinal, foi realizada uma reamostragem, padronizando todos os fabricantes para 300hz. Em seguida, os ruídos do sinal foram removidos por meio do filtro Savitzky-Golay. Em seguida, o sinal foi padronizado para ter mediana = 0 e desvio padrão = 1. Foi adicionado um padding para ter um tamanho padrão de 2048. O padding utilizado foi um valor constante igual a zero. Realizamos padronização e preenchimento no sinal original (não filtrado) para obter 2 dados de uma única derivação. RESULTADOS: O modelo apresentou, ao final, uma sensibilidade de 100% e uma especificidade de 94,5% para a identificação de FA no ECG. Esse resultado foi um ganho para a utilização de redes neurais, pois a tecnologia utilizada anteriormente, com apenas a extração de métricas de onda, apresentava uma precisão menor. CONCLUSÃO: Concluímos que modelos de RNA, que extraem sinais de imagens e os transformam em predições para tomada de decisão por médicos especialistas, podem ser incluídos no arsenal de métodos preditivos para triagem com alta sensibilidade e trazer laudos médicos mais rápidos e confiáveis.

Comparação de algoritmos de aprendizado de máquina na classificação do infarto do miocárdio usando detecção de sinal de elevação do segmento ST no eletrocardiograma e dados clínicos / Comparison of machine learning algorithms in the classification of myocardial infarction using ST-segment elevation signal detection in electrocardiogram and clinical data

INTRODUÇÃO: As doenças cardiovasculares (DCVs) são as principais responsáveis por mortes no mundo. A incorporação de novas tecnologias utilizando Inteligência Artificial (IA) surge como potencial aliada para a otimização do manejo dessas doenças. No entanto, ainda há a necessidade de aumentar a confiança nos modelos de IA, especialmente nos modelos de Machine Learning (ML). Nesse contexto, a pesquisa com extração e processamento de sinais tem alta precisão na detecção de anomalias cardíacas, mas sem capacidade de confirmar o diagnóstico de algumas doenças, pois não conta com o auxílio de variáveis clínicas, como é o caso do infarto agudo do miocárdio (IAM). OBJETIVO: O objetivo do presente estudo foi desenvolver um modelo de ML utilizando variáveis clínicas e processamento de sinais para detectar infarto agudo do miocárdio com elevação do segmento ST (IAMCST) com alta sensibilidade em relação a laudos médicos. MÉTODOS: Os modelos foram treinados com dados de 381 pacientes de 10 hospitais públicos brasileiros, obtidos de abril a julho de 2022, e validados com dados de 124 pacientes, em agosto de 2022. As variáveis utilizadas, além da elevação do segmento ST, foram sexo, idade, presença de marca-passo, sintomas como falta de ar e dor torácica, comorbidades como diabetes, dislipidemia, arritmias, sedentarismo, sobrepeso e tabagismo. A reamostragem foi realizada com incidência de 1:1 nos casos sem IAM para os casos com IAM. Os modelos Logistic Regression, Random Forest e AdaBoost foram hiperparametrizados e treinados com Cross-Validation em 5 vezes. As variáveis mais importantes para a predição foram idade, predição do modelo de extração de sinal com supradesnivelamento do segmento ST, falta de ar e dor torácica. O melhor modelo para o problema foi o AdaBoost, obtendo com o melhor threshold sensibilidade de 96% e especificidade de 45%. Os três modelos obtiveram uma área sob a curva ROC acima de 0,80, resultando em excelentes modelos para triagem de casos. CONCLUSÃO: Modelos de ML que combinam informações de dados clínicos e exames complementares, como ECG, podem ser melhores que modelos lineares para triagem de IAMCST, com alta sensibilidade e capacidade de interpretação aditiva aos algoritmos mais eficientes disponíveis na prática clínica.

In Vivo and In Vitro Taste Assessment of Artesunate-Mefloquine, Praziquantel, and Benznidazole Drugs for Neglected Tropical Diseases and Pediatric Patients.

The assessment of drug taste is crucial for pediatric treatments so that formulations can be developed to enhance their effectiveness. In this study, in vivo and in vitro methods were applied to evaluate the taste of tablets of three drugs administered to children without taste-masking excipients to treat tropical diseases, namely artesunate-mefloquine (ASMQ), praziquantel (PZQ), and benznidazole (BNZ). In the first method, a model of rat palatability was adapted with recirculation to ensure sample dispersion, and the data were analyzed using ANOVA (single factor, 95%). The taste assessment results (in vivo) indicated an aversion to the three medicines, denoted by the animals retracting themselves to the bottom of the box after the first contact with the drugs. For the placebo samples, the animals behaved normally, indicating that taste perception was acceptable. The second method was based on the in vitro analysis of capacitance data from a homemade impedimetric electronic tongue. Consistent with the in vivo taste assessment results, the data points obtained with PZQ, ASMQ, and BNZ were far away from those of their placebos in a map built with the multidimensional projection technique referred to as Interactive Document Mapping (IDMAP). A combined analysis of the results with the two methods allowed us to confirm the bitterness of the three drugs, also pointing to electronic tongues as a promising tool to replace in vivo palatability tests.

Diagnósticos de enfermagem em mulheres privadas de liberdade / Nursing diagnoses in women deprived of freedom

Analisar o perfil dos diagnósticos de enfermagem de mulheres privadas de liberdade, utilizando aClassificação Internacional para a Prática de Enfermagem® versão 1.0. Métodos: estudo descritivo, realizadocom 186 mulheres privadas de liberdade. Os Diagnósticos de Enfermagem foram inferidos baseados nos dadosclínicos das participantes, coletados por meio de um formulário estruturado e no raciocínio clínico. Resultados:foram identificadas 44 declarações diagnósticas de enfermagem, entre as mais frequentes: Risco de infecção(70,9%); Ingestão de líquidos, diminuída (61,2%); Sono, prejudicado (60,7%); Abuso de fumo, iniciado (51,6%);Comportamento de busca de saúde, comprometido (50,0%). Conclusão: os diagnósticos estão relacionadosa fatores que comprometem a saúde biopsicossocial. O enfermeiro, membro da equipe de saúde no cenárioprisional, deve reconhecer e avaliar as necessidades individuais e coletivas de mulheres privadas de liberdade. Ainferência dos diagnósticos de enfermagem, pautada no raciocínio clínico, contribui com o cuidado humanizado,empático e diferenciado...