Análise comparativa de técnicas de aprendizado de máquina em pequenos conjuntos de dados: um estudo de caso em identificação de nível de dor a partir de exames de Functional Near-Infrared Spectroscopy (fNIRS)
Nome Completo:
Diego Pereira Dedize
Unidade da USP:
Escola de Artes, Ciências e Humanidades - Sistemas de informação
Programa de Pós-Graduação:
Programa de Pós-graduação em Sistemas de Informação (PPgSI)
Nível:
Mestrado
Resumo:
A dor crônica é um problema que afeta milhões de pessoas e reduz profundamente a qualidade de vida. Apesar disso, ainda não existe um exame objetivo capaz de medir a dor. Atualmente, médicos dependem principalmente do que o próprio paciente relata, algo importante, porém subjetivo e influenciado por fatores emocionais, psicológicos e sociais. Essa limitação afeta diagnósticos, tratamentos e até decisões clínicas mais complexas. Minha pesquisa buscou avançar nesse desafio utilizando uma tecnologia chamada fNIRS, um exame não invasivo que "enxerga" mudanças na oxigenação do sangue no cérebro. Essas mudanças podem refletir como o cérebro reage à dor. Ao combinar o fNIRS com técnicas de inteligência artificial, investiguei se seria possível identificar ou estimar níveis de dor de maneira mais objetiva, mesmo quando se tem poucos dados, uma realidade comum em ambientes clínicos. Os resultados foram promissores: modelos bem calibrados alcançaram desempenho elevado, como um F1-score de 94,7% para identificar presença de dor. Isso significa que, mesmo com bases pequenas, certas técnicas de machine learning podem ajudar a destacar padrões cerebrais associados à dor. O estudo também comparou diferentes estratégias, mostrando quais métodos funcionam melhor em cenários com dados limitados. Como isso pode impactar a sociedade? Apoio ao diagnóstico: Tecnologias como essa podem ajudar médicos a complementarem o autorrelato, oferecendo uma segunda fonte de evidência sobre o estado de dor do paciente. Tratamento mais preciso: Uma medida mais objetiva pode auxiliar no acompanhamento da evolução da dor e na avaliação de eficácia de intervenções. Avanços na saúde pública: Dor crônica é uma das maiores causas de incapacidade no mundo. Métodos mais claros de avaliação podem ajudar a direcionar políticas, recursos e programas clínicos. Futuras tecnologias clínicas: Os achados contribuem para o desenvolvimento de ferramentas inteligentes e portáteis de apoio à decisão, que podem ser usadas em hospitais, centros de reabilitação e pesquisas. Em resumo, minha dissertação mostra que é possível usar sinais cerebrais e inteligência artificial para avançar na compreensão e avaliação da dor, abrindo caminho para ferramentas mais justas, objetivas e eficientes no cuidado à saúde, especialmente para quem convive com dores incapacitantes todos os dias.