Titulo Estágio
Diagnóstico Automático de Patologias Respiratórias: Estudo de abordagens data-driven baseadas na fusão de informação de sons respiratórios e imagem de EIT
Áreas de especialidade
Sistemas Inteligentes
Local do Estágio
DEI-FCTUC
Enquadramento
As patologias respiratórias apresentam taxas de mortalidade e morbilidade crescentes, estando frequentemente associadas a diversas comorbilidades, tais como doenças cardiovasculares, síndrome metabólico, osteoporose, doenças do foro psíquico e cancro do pulmão.
Presentemente, não existe um acompanhamento continuado das patologias respiratórias, levando a episódios frequentes de descompensação com hospitalização, os quais têm impacto significativo na saúde e qualidade de vida dos pacientes, na baixa de produtividade por perda de dias de trabalho e em elevados custos de tratamento ambulatório e hospitalização, impondo elevados encargos a nível de saúde pública.
No entanto, é sabido que cada episódio de descompensação é precedido por uma fase de incremento gradual que varia entre várias horas e vários dias antes do pico da descompensação. Assim, a detecção precoce dessa tendência em direcção ao pico de descompensação pode prevenir a sua ocorrência e levar a um quadro clínico significativamente mais leve. Como tal, é fundamental alterar o paradigma reactivo actual na gestão das patologias respiratórias para outro preventivo, proactivo e centrado no paciente. Nesse sentido, são requeridos sistemas de diagnóstico precoce de descompensações.
Neste contexto, um sintoma bastante importante são sons respiratórios adventícios (e.g., sibilâncias, fervores, etc.), os quais estão frequentemente associados a desordens respiratórias. Num ambiente de acompanhamento continuado, a detecção de sons adventícios deve ser feita automaticamente. No entanto, esta tarefa torna-se complexa dado que os sons pulmonares são facilmente mascarados por outros sons respiratórios (e.g., respiração profunda) e sons ambientais.
Adicionalmente, a auscultação computorizada pode ser complementada e combinada com a informação proveniente de imagens de Tomografia de Impedância Eléctrica (EIT). De facto, as imagens de EIT possibilitam obter métricas de ventilação respiratória, bem como as fases co ciclo respiratória, úteis para uma melhor caracterização dos sons respiratórios detectados.
Finalmente, a combinação das duas fontes de informação abre a possibilidade de melhorar sistemas data-driven de apoio ao diagnóstico diferencial de patologias respiratórias (e.g., asma, doença pulmonar obstrutiva crónica, etc.).
Objetivo
Desde há vários anos, o Laboratório de Informática Clínica do CISUC tem desenvolvido sistemas para o processamento de sinais áudio respiratórios e processamento de imagem. Neste projecto, em parceria com a Escola Superior de Saúde da Universidade de Aveiro (ESSUA), pretende-se desenvolver algoritmos para o diagnóstico automático de patologias respiratórias.
A prossecução do objectivo genérico enunciado consubstancia-se através de um conjunto de objectivos de carácter mais específico, nomeadamente:
- Actualização de uma base de dados pública já existente, acrescentando-lhe imagens de EIT e sons respiratórios adicionais;
- Estudo e aplicação de técnicas clássicas de machine learning (aprendizagem computacional) para a classificação automática de patologias respiratórias, com base numa toolbox de features acústicas e de imagem de EIT já desenvolvida no laboratório.
Plano de Trabalhos - Semestre 1
1. Análise crítica do estado da arte relativo ao problema do diagnóstico automático de patologias respiratórias, incluindo a revisão de descritores acústicos e de EIT.
2. Actualização da base de dados de sons respiratórios e imagens de EIT.
3. Extracção de features dos sinais acústicos e imagens de EIT, com base na toolbox do laboratório.
Plano de Trabalhos - Semestre 2
4. Continuação da actualização da base de dados.
5. Implementação da abordagem de aprendizagem computacional para discriminação automática das diferentes patologias respiratórias consideradas. Esta fase envolve a selecção de características, treino de modelo de aprendizagem, optimização, etc.
6. Validação dos modelos desenvolvidos e análise crítica e comparativa dos resultados alcançados.
7. Escrita da tese e artigo científico.
Condições
---
Observações
---
Orientador
Prof. Rui Pedro Paiva, Prof. Paulo de Carvalho e Prof. Alda Marques
ruipedro@dei.uc.pt 📩