Alexandre Dias Porto Chiavegatto Filho.

Conseguir predizer a ocorrência de eventos, como óbitos ou doenças, é uma preocupação estrutural da ciência, mas que tem sido negligenciada até recentemente. O curso tem como objetivo introduzir o aluno ao uso prático dos modelos preditivos de inteligência artificial (machine learning). 
Programação: 1 ? Perspectivas para o uso de inteligência artificial em saúde. 2 ? O uso do R para limpeza, transformação e visualização de dados. 3 ? Sobreajuste e divisão da amostra em treino, validação e teste. 4 ? Seleção, transformação e mensuração da importância das variáveis preditoras. 
5 ? Mensuração da performance de modelos preditivos. 6 ? Modelos para predição de variável contínua (regressões lineares penalizadas com lasso e ridge, redes neurais, support vector machines, random forests e gradient boosted trees). 7 ? Modelos para predição de variável binária (regressões logísticas penalizadas com lasso e ridge, redes neurais, support vector machines, random forests e gradient boosted trees). 8 ? Deep learning. 9 ? Sobrevivência da espécie humana com a chegada da singularidade (provocações).

Em 9 aulas produzidas especialmente para o Canal USP, o professor Alexandre Chiavegatto Filho, da Faculdade de Saúde Pública da USP, apresenta os pontos fundamentais do impacto do uso da inteligência artificial em saúde. O curso introduz o espectador ao assunto, por meio de uma visão sintética do presente e do futuro próximo da tecnologia. Além disso, Chiavegatto ensina os primeiros passos para quem quiser aplicar machine learning a problemas de saúde pública. 
Imagens: Lucca Alves e Rafael Simões. Edição e finalização: Rafael Simões. 
Gravado em abril de 2018 na Faculdade de Saúde Pública.

O uso de big data pode trazer melhorias significativas em termos de transparência e responsabilidade por parte dos provedores de saúde, além de melhorar as decisões tomadas pelos pacientes. O curso abordou tanto a obtenção de dados em saúde como a sua utilização para melhorar a qualidade de hospitais e a provisão de serviços por parte de municípios, estados e do país. Mais especificamente, foi abordada a disponibilidade de dados públicos de saúde, o uso do R e do Python para a análise de dados e metodologias de big data como machine learning, redução de dimensão e como evitar associações espúrias. 
O curso teve um total de mais de 8.500 alunos matriculados, com representantes de todos os Estados brasileiros e o Distrito Federal. Segundo levantamento do Coursera, foi o terceiro curso online mais popular entre brasileiros em 2015 e teve 340 alunos pagantes, gerando recursos para a USP.

O curso tem como objetivo introduzir o aluno ao acesso e à análise de grandes bancos de dados para fornecer um panorama geral dos desafios e das possibilidades do uso de big data: 1) Fontes e bancos de dados de big data no Brasil e no mundo. 2) O uso do R para análise de grandes bancos de dados: aplicações práticas. 3) O uso de técnicas de programação (linguagem Python) para a análise de grandes bancos de dados. 4) Metodologias de big data: machine learning, redução de dimensão e controle de associações espúrias. 5) Métodos para análise causal: diferenças em diferenças, regressão descontínua e variáveis instrumentais. 6) O uso de big data para um SUS do século XXI

A Jornada Universitária da Saúde (JUS) é um projeto de extensão universitária que desde 2007 propõe ações na promoção e educação da saúde em cidades do Estado de São Paulo. O objetivo da JUS é buscar alternativas para a melhoria da qualidade de vida dos habitantes do município e permitir a troca de conhecimentos entre os diferentes estudantes da área da saúde, contribuindo para a sua formação. Tem também como objetivo a capacitação de multiplicadores em saúde e a avaliação da situação de saúde por meio de questionários aplicados em trabalho de campo, em uma perspectiva multidisciplinar e interdisciplinar. Atualmente, tem a participação de estudantes de Enfermagem, Fisioterapia, Fonoaudiologia, Medicina, Nutrição e Terapia Ocupacional e Saúde Pública da USP, totalizando 75 alunos de graduação

As Doenças Crônicas Não Transmissíveis (DCNTs), como diabetes mellitus, hipertensão arterial sistêmica e dislipidemia, são responsáveis por mais de 80 das mortes prematuras globalmente e apresentam alta carga socioeconômica, particularmente em países de baixa e média renda. No Brasil, estima-se que cerca de 45 da população adulta apresente pelo menos uma DCNT. Entretanto, taxas de subdiagnóstico superiores a 30 para hipertensão e 50 para dislipidemia e diabetes comprometem a efetividade das políticas de prevenção e controle. O subdiagnóstico decorre, em grande parte, da desigualdade no acesso aos serviços de saúde, da baixa adesão aos protocolos de rastreamento e das limitações metodológicas inerentes à vigilância baseada em autorrelato. Este projeto propõe o desenvolvimento de modelos de aprendizado de máquina para estimar a prevalência real das DCNTs e identificar padrões de acesso desigual aos serviços de saúde no Brasil, utilizando dados das Pesquisas Nacionais de Saúde (PNS) de 2013 e 2019. A abordagem metodológica fundamenta-se na modelagem preditiva baseada em dados sociodemográficos, clínicos e laboratoriais. A variável resposta será definida a partir da discrepância entre diagnósticos autorrelatados e biomarcadores clínicos, identificando indivíduos subdiagnosticados. Serão utilizados algoritmos supervisionados de machine learning, incluindo gradient boosting machines, random forests e redes neurais profundas, além de modelos probabilísticos para calibração de predições. Técnicas de transfer learning serão utilizadas para adaptar modelos treinados em regiões com maior disponibilidade de dados para contextos com menor representatividade amostral, reduzindo vieses geográficos e sociais. Para garantir a equidade algorítmica e mitigar vieses preexistentes, serão aplicadas métricas específicas de justiça em algoritmos preditivos, como equalized odds, demographic parity e individual fairness. Além disso, serão implementadas estratégias de reamostragem, ponderação de classes e pós-processamento para assegurar que as predições não reforcem desigualdades estruturais. A transparência e reprodutibilidade serão garantidas por meio da documentação completa dos modelos, disponibilização do código-fonte e auditoria algorítmica contínua. Este projeto está alinhado com a Estratégia de Saúde Digital do Brasil (2020-2028), permitindo a integração dos modelos preditivos a sistemas eletrônicos do SUS para otimizar o rastreamento de DCNTs. A pesquisa também contribui para os Objetivos do Desenvolvimento Sustentável (ODS), particularmente os objetivos 3 (Saúde e Bem-Estar) e 10 (Redução das Desigualdades), além das diretrizes da Organização Pan-Americana da Saúde (OPAS) para fortalecimento dos sistemas de saúde pública. Espera-se que os modelos desenvolvidos auxiliem na identificação precoce de indivíduos com alto risco de subdiagnóstico, permitindo intervenções direcionadas e aprimoramento das estratégias de rastreamento e triagem no SUS. Além disso, os achados da pesquisa poderão fundamentar políticas públicas para redução da mortalidade precoce associada às DCNTs e otimização da alocação de recursos em saúde. A colaboração internacional entre a Universidade de São Paulo (USP) e a University of Illinois fortalecerá a inovação metodológica e o intercâmbio de conhecimento, ampliando o impacto desta pesquisa no campo da saúde digital e da epidemiologia computacional.

Com o avanço das aplicações práticas de Inteligência Artificial (IA) e Machine Learning (ML) na área da saúde, tem crescido o desafio da construção de modelos menos enviesados, principalmente em um contexto como o brasileiro, caracterizado por sua vasta extensão territorial e diversidade socioeconômica. Este projeto tem como objetivo aplicar técnicas avançadas de ML para promover a justiça, equidade e transparência dos resultados dos algoritmos em saúde, assegurando a democratização da IA em contextos mais desfavorecidos do país e incentivando uma maior adoção por parte dos profissionais de saúde. A pesquisa analisará os dados da rede multicêntrica IACOV-BR, coordenada pelos autores desta proposta, composta por 18 hospitais e 8.477 pacientes das cinco regiões brasileiras, criada para predizer diagnósticos e prognósticos de covid-19 a partir de dados clínicos e laboratoriais. Serão utilizadas técnicas de fronteira em ML, como aprendizado por transferência, multicalibração, multiplicidade algorítmica e explicabilidade algorítmica. Trata-se de uma colaboração inédita entre pesquisadores da Universidade de São Paulo (USP), Universidade Federal de Pelotas (UFPel), Universidade Federal de São Paulo (UNIFESP) e Universidade Estadual da Paraíba (UEPB), com pesquisadores brasileiros em países de três continentes: EUA (Duke, Illinois e Texas), Inglaterra (Imperial College London) e Austrália (Queensland). Com os resultados, pretende-se aprimorar a performance dos modelos e desenvolver estratégias que promovam a justiça social e a equidade na saúde, fortalecendo a colaboração entre os pesquisadores brasileiros que residem no Brasil e no exterior e contribuindo significativamente para o avanço científico da área.

As doenças negligenciadas (DN) impactam desproporcionalmente populações vulneráveis em regiões tropicais e subtropicais, resultando em alta morbidade e mortalidade. Este projeto tem o objetivo de desenvolver e aplicar algoritmos de machine learning (ML) e transfer learning (TL) para predição de desfechos adversos associados às DN no Brasil, como abandono de tratamento, insucesso terapêutico e mortalidade. A principal inovação está na adaptação de modelos preditivos a diferentes contextos regionais, enfrentando desafios relacionados à qualidade e completude dos dados disponíveis no Sistema de Informação de Agravos de Notificação (Sinan). A análise inicial desenvolverá modelos preditivos para a região Sudeste, utilizando algoritmos populares de ML para dados estruturados, como redes neurais, Random Forests e gradient boosting (XGBoost, lightGBM e catboost), que serão validados e ajustados para outras regiões pela aplicação de técnicas de TL. O estudo realizará o fine-tuning dos modelos pré-treinados, potencializando a generalização dos modelos para as diferentes realidades socioeconômicas e epidemiológicas brasileiras. O projeto utilizará também métricas de equidade algorítmica (como Disparate Impact e Equal Opportunity Difference), integradas a diretrizes internacionais como o TRIPOD+AI, para assegurar a transparência e a redução de vieses no desenvolvimento dos algoritmos. As técnicas de TL para dados tabulares serão aplicadas em doenças como hanseníase, esquistossomose, tuberculose e leishmanioses visceral e tegumentar, priorizando o uso de preditores contextuais, clínicos e demográficos. Espera-se que os resultados contribuam para a otimização de recursos de saúde pública no SUS, permitindo intervenções mais precisas e eficazes. Adicionalmente, o projeto fortalecerá capacidades locais em ciência de dados e promoverá a ciência aberta, alinhando-se às metas globais de desenvolvimento sustentável e ao fortalecimento da vigilância epidemiológica no Brasil.

Childhood and adolescence are critical periods for brain development and overall health. Hypertension and metabolic disorders such as obesity and diabetes are becoming more prevalent in the pediatric population, raising questions about their potential to impair brain development and function. The social determinants of health (SDOH) can exacerbate or mitigate the effects of these conditions. This project leverages extensive data from the Adolescent Brain Cognitive Development (ABCD) study to explore how these factors interact over time to affect neurodevelopment and cognitive outcomes in a diverse cohort of children transitioning into adolescence.

Introdução: A violência contra as mulheres é um fenômeno global que persiste como uma grave violação dos direitos humanos, afetando uma a cada três mulheres no mundo, segundo a Organização Mundial de Saúde (OMS). Estima-se que uma em cada quatro mulheres jovens, com idades entre 15 e 24 anos, já foi vítima de violência por parte de seus parceiros durante um relacionamento. À medida que os incidentes de violência contra mulheres aumentam, observa-se uma elevação também nos casos de violências direcionadas a crianças. O uso da Inteligência Artificial (IA) e de métodos computacionais têm o potencial de identificar o risco de que vítimas de violência sofram homicídio, nova violência ou suicídio no futuro, ajudando gestores de saúde no encaminhamento das vítimas e na elaboração de medidas preventivas individualizadas. Objetivo geral: Contribuir para a redução das violências de repetição, de homicídios e suicídios entre pessoas em situação de violência.Métodos: Estudo transversal retrospectivo que aplicará IA em bases de dados referentes aos municípios do estado de São Paulo.Finalidades: A identificação de violência de repetição, homicídio e suicídio através da inteligência artificial contribuirá para a elaboração de estratégias eficazes de prevenção e controle desses eventos. Os resultados obtidos serão usados para subsidiar gestores estaduais e municipais na formulação de planos e políticas direcionadas ao enfrentamento dessas formas de violência, permitindo uma atuação mais direcionada e efetiva para reduzir sua ocorrência.

O crescente volume de dados e os avanços na capacidade de processamento computacional têm impulsionado a aplicação de machine learning em diversas áreas. No entanto, na área da saúde o uso de algoritmos para a tomada de decisão clínica ainda enfrenta vários desafios, desde resistências culturais até limitações operacionais, como no caso da capacidade de generalização dos modelos preditivos em diferentes áreas. Em um país com alta desigualdade como o Brasil, é necessário o desenvolvimento de técnicas que permitam que algoritmos de machine learning tenham uma boa performance nas regiões mais remotas em que há menor coleta de dados. Este projeto propõe desenvolver métodos de transfer learning e transformational machine learning para avaliar a capacidade de generalização dos algoritmos preditivos mais utilizados para dados estruturados como XGBoost, lightGBM, catboost, random forests e redes neurais artificiais. Será analisado o conjunto de dados de um total de 8.477 pacientes com covid-19 coletados pela rede Inteligência Artificial para Covid-19 no Brasil (IACOV-BR), que é composta por 18 hospitais distribuídos nas cinco regiões do Brasil e cuja coleta de dados foi coordenada pelos pesquisadores desta proposta. Embora os dados considerados para este projeto se refiram a pacientes com covid-19, os métodos desenvolvidos a partir desta pesquisa poderão ser replicados para outras doenças. Os resultados do estudo serão divulgados por meio de artigos científicos, redes sociais do laboratório do grupo de pesquisa, reportagens na mídia e apresentações em congressos acadêmicos. O presente projeto é uma parceria inédita entre pesquisadores da Universidade de São Paulo (USP), University of Texas - Austin (UT-Austin), Duke University, Universidade Eduardo Mondlane (Moçambique), Fundação Oswaldo Cruz (FIOCRUZ), Universidade Federal de Pelotas (UFPel), Instituto Tecnológico da Aeronáutica (ITA), Universidade Estadual da Paraíba (UEPB) e Universidade Federal de São Paulo (UNIFESP).

As Doenças Crônicas Não Transmissíveis (DCNT) são complexas e possuem uma natureza heterogênea, pois são causadas por múltiplos fatores genéticos, ambientais e comportamentais. O uso da Inteligência Artificial (IA) e de métodos computacionais permite a construção de modelos preditivos a partir de algoritmos e a previsão de problemas de saúde futuros, como as DCNT. Objetivo geral: Testar o desempenho preditivo de algoritmos da IA para predizer modelos relacionados ao risco de adoecimento, complicações e necessidade de serviços de saúde nos municípios e nas Redes Regionais de Atenção à Saúde (RRAS) do estado de São Paulo. Métodos: Estudo transversal retrospectivo que aplicará IA em bases de dados referentes aos municípios do estado de São Paulo. Finalidades: A identificação de áreas com padrões diferentes do esperado pelos algoritmos e o entendimento da importância de cada variável preditora para o comportamento das DCNT nas referidas áreas, contribuirá para a definição de propostas efetivas de prevenção e de controle desse grupo de doenças. Os resultados irão auxiliar a subsidiar os gestores estaduais e municipais no planejamento de ações para o enfrentamento dessas doenças.

Our study aims to predict negative cardiovascular outcomes in adults using advanced algorithms trained on data from two cohort studies: MESA (Multi-Ethnic Study of Atherosclerosis) and ELSA (The Brazilian Longitudinal Study of Adult Health). In the MESA dataset, we will apply ecological, sociodemographic, economic, and lifestyle factors to train five machine learning algorithmsartificial neural networks, extra trees, random forests, CatBoost, and Extreme Gradient Boosting. Seventy percent of the participants will be used for training, while the remaining 30 will assess algorithm performance on new, unseen data. Predictive accuracy will be tested for heart failure, stroke, and myocardial infarction. In the ELSA dataset, we will evaluate predictive performance for negative prognosis of heart failure, stroke, myocardial infarction, and death.

Algoritmos de machine learning têm o potencial de auxiliar profissionais de saúde em diversas áreas, tanto na recepção e triagem de pacientes em unidades de atendimento primário (postos de saúde), secundário e terciário (hospitalares) como no diagnóstico de doenças como o câncer de mama, além do prognóstico clínico como na predição de risco de óbito em pacientes em estado crítico. No caso da covid-19, por se tratar de uma doença nova, os algoritmos podem aprender rapidamente os padrões referentes às interações das características do paciente que levam tanto ao maior risco de resultado de exame positivo da doença, como à evolução clínica e mesmo ao óbito, com o objetivo de auxiliar a equipe médica em decisões clínicas e na alocação de recursos físicos. Assim, o presente projeto tem como objetivo analisar se é possível predizer desfechos relacionados à covid-19 com a mesma performance encontrada para outras doenças em pesquisas científicas recentes de machine learning. Com a confirmação desses resultados esperados, o próximo passo será desenvolver interfaces com os hospitais sob a forma de aplicativos para auxiliar médicos e gestores hospitalares em decisões sobre prioridades para recebimento de testes RT-PCR para covid-19, internações em UTI e recebimento de intervenções como o uso de ventiladores mecânicos. Após o desenvolvimento do aplicativo, o projeto não terá mais custo e tudo será disponibilizado de forma rápida e gratuita para os hospitais e clínicas.

Brazil is currently the country with the highest daily deaths from COVID-19 and second only behind the United States in new daily infections. With the spread of the disease towards the most remote and rural regions of Brazil, incidence of the virus is estimated to remain high due to new waves of infections until at least the end of 2020. Providing an early risk of COVID-19 diagnosis can help to identify priorities for receiving RT-PCR diagnostic tests and the need for isolation and preventive measures until the result of the test is received. Also, establishing prognostic risk scores for severe outcomes in patients with COVID-19 can assist medical staff and health managers in making decisions about clinical interventions and the allocation of resources. This proposal will develop and validate machine learning algorithms for the diagnosis and prognosis of COVID-19 using routinely-collected data from hospitals. Currently, the network has the confirmed participation of 18 hospitals throughout all the five regions of Brazil, with an estimated number of around 14,000 COVID-19 patients with complete individual data and laboratory exams. The study will test the predictive performance of the most popular machine learning algorithms for structured data such as gradient boosting trees, random forests and neural networks, using metrics such as positive and negative predictive value, sensitivity, specificity and area under the ROC curve. This will be the first machine learning study to develop and validate the performance of predictive algorithms in all Brazilian regions. The final goal of the project is to perform a randomized clinical trial of the algorithms to test their effectiveness in improving the clinical evolution of COVID-19 patients. This proposal is a partnership between seven Brazilian universities (University of São Paulo, Federal University of Goiás, State University of Paraíba, Aeronautics Institute of Technology, Bahia School of Medicine and Public Health, Oswaldo Cruz Foundation, and Federal University of Pelotas). The project is composed by a multidisciplinary team, with an oversight from specialists in bioethics, race, and gender and health studies. The core research team of this proposal already has a pre-print on machine learning for COVID-19 diagnosis, which points to the technical feasibility of the project.

Esta proposta descreve um Centro de Pesquisa de Engenharia em Inteligência Artificial (IA) empenhado em conduzir pesquisas em tópicos centrais de IA e em aplicar técnicas de IA em áreas de aplicação selecionadas --- a saber, indústria de óleo e gás, agronegócios e saúde. O Centro também dará suporte a estudos sobre o impacto social e econômico da IA e conduzirá atividades de transferência de tecnologia e difusão do conhecimento. O Centro será construído com a convicção de que os próximos dez anos trarão avanços sem precedentes em IA, os quais dependerão da colaboração tanto entre áreas centrais da IA como destas áreas com as aplicações. O "Center for Artificial Intelligence" consistirá de dois grupos interligados de pesquisadores, ambos distribuídos na instituição anfitriã e em instituições associadas. Um grupo de pesquisadores, com significativa projeção internacional na comunidade de IA, cobrirá tópicos centrais de IA, de representação de conhecimento a aprendizado de máquina, com ênfase em processamento de texto e linguagem natural, particularmente em Português. Um segundo grupo de pesquisadores do Centro focará em três áreas de aplicação onde existe significativa experiência na instituição anfitriã: óleo e gás, agronegócio e saúde. A conexão entre pesquisa em tópicos centrais da IA e áreas de aplicação ocorrerá em dupla direção: pesquisa em IA básica abordará problemas de grande escala nas áreas de aplicação selecionadas, e será direcionada pelos desafios nestas áreas de aplicação. Um pequeno grupo de pesquisadores da área de humanas está incluído no "Center for Artificial Intelligence" para conduzir pesquisa sobre o impacto social da IA e para identificar caminhos que garantam o uso da IA para o bem. O Coordenador de Educação e Difusão do Conhecimento organizará produção de vídeos contendo resultados de pesquisa e trabalhará através de feiras e escolas para educar o público em sentido amplo. O Coordenador de Transferência de Tecnologia trabalhará com órgãos bem estabelecidos na instituição anfitriã para fomentar iniciativas que transferirão resultados para as entidades financiadoras e para esforços de empreendedorismo.

Esta proposta descreve um Centro de Pesquisa de Engenharia em Inteligência Artificial (IA) empenhado em conduzir pesquisas em tópicos centrais de IA e em aplicar técnicas de IA em áreas de aplicação selecionadas --- a saber, indústria de óleo e gás, agronegócios e saúde. O Centro também dará suporte a estudos sobre o impacto social e econômico da IA e conduzirá atividades de transferência de tecnologia e difusão do conhecimento. O Centro será construído com a convicção de que os próximos dez anos trarão avanços sem precedentes em IA, os quais dependerão da colaboração tanto entre áreas centrais da IA como destas áreas com as aplicações. O "Center for Artificial Intelligence" consistirá de dois grupos interligados de pesquisadores, ambos distribuídos na instituição anfitriã e em instituições associadas. Um grupo de pesquisadores, com significativa projeção internacional na comunidade de IA, cobrirá tópicos centrais de IA, de representação de conhecimento a aprendizado de máquina, com ênfase em processamento de texto e linguagem natural, particularmente em Português. Um segundo grupo de pesquisadores do Centro focará em três áreas de aplicação onde existe significativa experiência na instituição anfitriã: óleo e gás, agronegócio e saúde. A conexão entre pesquisa em tópicos centrais da IA e áreas de aplicação ocorrerá em dupla direção: pesquisa em IA básica abordará problemas de grande escala nas áreas de aplicação selecionadas, e será direcionada pelos desafios nestas áreas de aplicação. Um pequeno grupo de pesquisadores da área de humanas está incluído no "Center for Artificial Intelligence" para conduzir pesquisa sobre o impacto social da IA e para identificar caminhos que garantam o uso da IA para o bem. O Coordenador de Educação e Difusão do Conhecimento organizará produção de vídeos contendo resultados de pesquisa e trabalhará através de feiras e escolas para educar o público em sentido amplo. O Coordenador de Transferência de Tecnologia trabalhará com órgãos bem estabelecidos na instituição anfitriã para fomentar iniciativas que transferirão resultados para as entidades financiadoras e para esforços de empreendedorismo.

O estudo permitirá o desenvolvimento de algoritmos de inteligência artificial conhecidos como transfer learning, para criar representações que poderão ser utilizadas como base para modelos com baixa disponibilidade de dados, como no caso de doenças emergentes e surtos. Esses novos algoritmos irão auxiliar os profissionais de saúde na tomada de decisão sobre diagnóstico e intervenção quando o conhecimento científico da área ainda não está estabelecido. O projeto tem como objetivo específico descobrir se é possível criar uma representação básica para problemas de saúde em geral, dado um conjunto suficiente de variáveis de baseline. Com o avanço do conhecimento científico em saúde, tem ocorrido um movimento em direção à especialização da formação médica e da prática clínica, esquecendo-se da semelhança dos problemas de saúde e suas origens em comum.

Avanços recentes em capacidade computacional e na disponibilidade de grandes bancos de dados têm permitido o aumento do uso de métodos preditivos de inteligência artificial, conhecidos como machine learning. Na saúde, a predição da ocorrência de óbitos pode ajudar a melhorar decisões sobre a necessidade e a intensidade de tratamento médico e o estabelecimento de prioridades para internação. O projeto analisará os resultados do UK Biobank, um estudo longitudinal de 502.632 indivíduos acompanhados desde 2006-2010, que coletou características socioeconômicas, demográficas, fatores de risco, informações sobre histórico de saúde, medidas antropométricas e amostras de sangue e de urina, totalizando mais de 600 variáveis. Os óbitos são coletados continuamente por linkage e estima-se que ao início deste projeto tenham ocorrido mais de 25.000 óbitos de participantes. Serão testadas as performances de 10-20 modelos de machine learning para predizer óbito em 1, 2 e 5 anos por mortalidade geral e segundo grupos de causas básicas, utilizando as variáveis coletadas no baseline. Após a identificação do algoritmo com melhor performance preditiva, será testada a sua capacidade de generalização no estudo Saúde Bem-Estar e Envelhecimento (Projeto Temático 14/50649-6). O projeto permitirá identificar se é possível predizer com boa acurácia quem irá a óbito, e por qual causa, utilizando um grande número de características iniciais. O orçamento será utilizado para o pagamento da taxa de transferência dos dados e para a compra de duas máquinas especializadas em machine learning e big data. O projeto estabelecerá uma nova parceria entre o Laboratório de Big Data e Análise Preditiva (LABDAPS) da FSP/USP e a Plataforma de Ciência de Dados Aplicada à Saúde da Fiocruz-RJ.

O Programa Mais Médicos é atualmente responsável por mais de 18 mil médicos que atuam em 4.058 municípios brasileiros. A análise do seu impacto na saúde, entretanto, traz alguns desafios metodológicos devido à falta de aleatorização da intervenção e a diferenças pré-existentes entre os municípios, o que pode fazer com que os seus impactos não sejam facilmente identificados. O presente estudo tem como objetivo aplicar novas metodologias causais em crescente utilização em epidemiologia para testar o impacto real (ou causal) do programa na situação de saúde e no acesso a serviços de saúde nos municípios brasileiros contemplados pelo programa. Duas metodologias serão utilizadas: diferenças-em-diferenças e propensity score matching. A primeira terá como objetivo analisar as mudanças temporais no acesso a serviços e situação de saúde antes e após a introdução do programa. A segunda permitirá a identificação de contrafatuais para municípios de baixa renda que se beneficiaram do programa, assumindo-se que as diferenças pré-existentes sejam referentes a variáveis observáveis. O presente estudo utilizará informações de saúde provenientes do Departamento de Informática do SUS (DATASUS), cuja qualidade e abrangência é reconhecida internacionalmente, durante o período de 2010 a 2015. A análise do efeito dos médicos na saúde de populações vulneráveis irá auxiliar na formulação de políticas públicas na área da saúde, incentivando a alocação dos médicos em áreas onde terão um maior efeito. O objetivo final do projeto é publicar os resultados em um relatório de trabalho e em revistas científicas de epidemiologia e saúde pública de alto impacto.

Self-reported race is considered the gold standard to measure racial inequalities in health, especially in countries with fluid racial boundaries such as Brazil. However, life expectancy results use mortality data with racial classification determined by another individual, usually the physician that completed the death certificate. A previous study by the researchers of this proposal found that, in Brazil, mixed-race individuals have an overall higher life expectancy than whites (78.80 and 77.54 years for females, and 71.08 and 71.10 for males, respectively), despite presenting much lower levels of education and income. The result was attributed to interviewer whitening, as previous studies show that interviewers frequently consider other individuals whiter than the individuals themselves, so it could also be the case for death certificates. This spurious excess of white mortality could be the reason for the lower life expectancy found for whites, but this is yet to be confirmed.The researchers will compare self-reported racial data from deceased participants of ELSA-Brasil with their death certificate, available from the main project. Machine learning algorithms will be performed to identify individuals with high risk of having their race misclassified on the death certificate (assuming previously self-reported race as the gold standard), based on individual characteristics. The trained algorithm will then be performed in the official microdata death records from Brazil to correct racial classification for individuals with a predicted high risk of misclassification. The first results will be to produce the new (corrected) life expectancy rates in Brazil for whites, blacks and mixed races. The researchers will disseminate these results on Brazilian media and a scientific article will be written on the topic.The project also includes secondary objectives that aim to advance specific scientific knowledge on race, cultural factors and health in Brazil. The ELSA-Brasil sample has a very extensive database on social capital, neighborhood characteristics and chronic diseases. These results will be linked to self-reported race and genetic heritage data collected from the participants in 2010 with the objective of identifying factors associated with individuals that present large disparities between genetic heritage and self-reported race. This proposal is a collaboration between Professor Ichiro Kawachi, the John L. Loeb and Frances Lehman Loeb Professor of Social Epidemiology and Chair of the Department of Social and Behavioral Sciences of the Harvard School of Public Health, and Assistant Professor Alexandre Chiavegatto Filho of the School of Public Health of the University of São Paulo, Brazil

Nas últimas décadas, os distúrbios mentais têm aumentado rapidamente de importância entre as causas de morbidade e incapacidade, principalmente nas grandes cidades. O presente projeto objetiva identificar e analisar os determinantes sociais dos distúrbios mentais nas dez megacidades que fazem parte do World Mental Health Survey Initiative (WHMI): Nova York, Los Angeles, Xangai, Pequim, Shenzhen, Lagos, Cidade do México, Paris, Buenos Aires e São Paulo, totalizando cerca de 20.000 indivíduos (média de 2.000 por megacidade), o que permitirá uma amostra de certo modo representativa de países de renda per capita baixa (Nigéria e China), média (Brasil, Argentina e México) e alta (Estados Unidos e França). As variáveis dependentes de interesse serão a presença de depressão, ansiedade e qualquer distúrbio mental, identificadas pelos critérios do Diagnostic and Statistical Manual of Mental Disorders (DSM-IV), traduzido e adaptado para as diferentes línguas. Na primeira parte do estudo serão ajustados modelos multinível logísticos Bayesianos com o objetivo de testar a associação entre as três variáveis dependentes com os determinantes individuais (sexo, idade, renda individual, escolaridade e estado civil) e os determinantes contextuais (desigualdade de renda, renda mediana e violência). Serão também ajustados modelos de equações estruturais para testar a presença de um efeito mediador das redes de apoio social (social networks) na associação entre os determinantes contextuais e os distúrbios mentais. O projeto será uma colaboração entre a Faculdade de Saúde Pública da USP, o Instituto de Psiquiatria da USP, a Mailman School of Public Health da Universidade de Columbia e a Harvard Medical School

O presente projeto tem como proposta identificar as taxas de prevalência de transtornos psiquiátricos, avaliar o grau de incapacidade associada a eles, estudar a sua história natural e determinar possíveis fatores associados, na população residente na região metropolitana de São Paulo. É a extensão de um estudo realizado na área de captação do Hospital das Clínicas da FMUSP (dois bairros da zona oeste da cidade de São Paulo) e visa sanar algumas lacunas existentes em nosso meio, em relação a informações sobre o grau de sobrecarga social, econômica e familiar associadas a esses transtornos. O principal objetivo é fornecer subsídios ao estabelecimento de novas estratégias de prevenção e tratamento, bem como direcionar a elaboração de políticas de saúde mais adequadas à realidade da região e auxiliar no planejamento de serviços de saúde que atendam à demanda da população. É parte de um estudo que vem sendo realizado em vários países, coordenado pela Organização Mundial de Saúde, o World Mental Health Survey, que contará com um banco de dados de mais de 170 mil entrevistas, o que permitirá comparações transculturais entre sociedades com diferentes níveis de desenvolvimento. Segue a tendência dos estudos atuais de morbidade psiquiátrica na população geral: identificar as possíveis causas, conseqüências, estratégias para a prevenção e populações específicas em risco a determinados transtornos, além de direcionar a atenção à saúde em função da demanda conhecida. A relevância desse empreendimento pode ser enfatizada a partir de recentes publicações de organismos internacionais. No estudo The Global Burden of Disease, realizado pela Organização Mundial de Saúde e por pesquisadores da Escola de Saúde Pública da Universidade de Harvard (WHO; Ed. Murray & Lopez, 1996), foi demonstrado que os transtornos mentais e o uso de álcool e outras substâncias estão entre as principais causas de sobrecarga global, medida através do número anos vividos com incapacitações e número de anos p

A Organização Pan Americana da Saúde conduziu, em 2000, um estudo multicêntrico sobre saúde e bem-estar de pessoas de 60 anos e mais em capitais e grandes cidades de sete países da América Latina e Caribe, entre elas São Paulo. Passados seis anos, foi realizada a continuação desse estudo, no Município de São Paulo, transformando-o em um estudo longitudinal composto de dois subprojetos: o primeiro que buscou as pessoas entrevistadas em 2000 para nova aplicação de questionário sobre as condições de vida e saúde em 2006, com ênfase em fatores de risco para mortalidade, institucionalização, alterações da funcionalidade e fragilidade. O segundo subprojeto consistiu na coleta de informações a respeito de nova coorte composta por aqueles de 60 a 64 anos em 2006 que, comparados à primeira coorte, identificaram as transformações que podem ocorrer no processo de envelhecimento na área urbana. Neste momento (2010), propõe-se uma terceira rodada de coleta de informações das pessoas que foram entrevistadas em 2000 e 2006 (coorte A), daquelas entrevistadas em 2006 (coorte B) e a introdução de uma nova coorte de pessoas de 60 a 64 anos (coorte C) seguindo o esquema proposto no estudo de 2006. A amostra dessa nova coorte será composta por 400 indivíduos, o que define a fração de amostragem 400/310694=0,001287. Para o cálculo do tamanho da amostra, considerou-se a prevalência de indivíduos com hipertensão igual a 50%, o efeito de delineamento igual a 1,5 e o erro de amostragem de 7%. O tamanho da amostra foi corrigido pela taxa resposta igual a 75% e a taxa de mortalidade de 2%. Nesta terceira fase do estudo será introduzida a coleta de sangue (além das medidas antropométricas) para avaliação de alguns parâmetros biológicos.

O projeto objetiva conhecer dados/eventos/situações ocorridas no ciclo gravídico-puerperal imediato da mulher e dados/situação/características do produto da gestação, bem como avaliar a qualidade da informação sobre a mortalidade das mulheres, e sobre a classificação dos eventos ?nascido vivo?, ?óbito fetal? e ?aborto? e preenchimento dos documentos DO, DN, DOF nos hospitais. A população de estudo diz respeito a gestantes internadas em maternidades e as áreas escolhidas para a sua realização são o Município de São Paulo-SP e o município de João Pessoa- PB, cujos dados serão comparados a alguns já levantados no município de Bauru-SP, onde foi realizada investigação relativa a uma parte do que ora está sendo proposto.

A mortalidade materna pode ser considerada um excelente indicador de saúde, não só da mulher, mas da população geral; mostra, também, iniqüidades. A redução da mortalidade materna é uma das principais metas, estando também incluída nas Metas do Desenvolvimento do Milênio da ONU.
OBJETIVO: Conhecer a qualidade da informação da mortalidade de mulheres de 10 a 49 anos, e estimar a razão de mortalidade materna (RMM) e os fatores de ajuste para os dados oficiais, no conjunto das capitais de estados brasileiros e Distrito Federal.