Skip navigation
Universidade Federal da Bahia |
Repositório Institucional da UFBA
Use este identificador para citar ou linkar para este item: https://repositorio.ufba.br/handle/ri/36841
Tipo: Tese
Título: Tecnologias da informação e métodos computacionais para gerenciamento, otimização e medicina de precisão em departamentos de imagens médicas
Autor(es): Machado, Marcos Antônio Dórea
Primeiro Orientador: Martins Netto, Eduardo
metadata.dc.contributor.referee1: Eduardo, Martins Netto
metadata.dc.contributor.referee2: Vieira, Lucas de Oliveira
metadata.dc.contributor.referee3: Lalic, Susana Souza
metadata.dc.contributor.referee4: Mourato, Felipe Alves Mourato
metadata.dc.contributor.referee5: Silva, Ana Maria Marques da
Resumo: A área da saúde demanda por tecnologias da informação e métodos computacionais para melhorar a produtividade dos serviços e oferecer assistência personalizada aos pacientes. Este trabalho buscou desenvolver e explorar sistemas e métodos computacionais para implementar melhorarias no gerenciamento, otimizar os exames, e acessar novos biomarcadores e assinaturas com inteligência artificial para apoio à decisão. Foram desenvolvidos e implementados softwares com o conceito Workflow Based Approach (WBA) e métodos computacionais escritos em linguagem Python para melhorar a gestão e otimizar os protocolos de exames. Um workflow para acesso a novos biomarcadores e assinaturas IA foi desenvolvido e validado em pacientes com CT de COVID-19, 18F-FDG-PET/CT de câncer de colo do útero e 18F-FDG-PET/CT de linfoma Hodgkin. O workflow demonstrou-se válido em análises de robustez: repetitividade (erro < 5%), reprodutibilidade (coeficiente de correlação intraclasse, ICC > 90%) e correlação clínica (p < 0,05). Os modelos preditivos para 18F-FDG-PET/CT de câncer de colo do útero e 18F-FDG-PET/CT de linfoma Hodgkin apresentaram desempenho geral de AUC=0,74 e AUC=0,96, respectivamente. Um novo software que utiliza métodos de IA para apoio ao diagnóstico da COVID-19 em CT de tórax de pacientes com pneumonia foi disponibilizado e validado em um PACS/Viewer. Sem apoio do software, os médicos tiveram desempenho médio de 83,4% de sensibilidade, e 64,3% de especificidade. Com o apoio do software, o desempenho melhorou para 87,1% de sensibilidade, e 91,1% de especificidade. Adicionalmente, o software melhorou a concordância entre observadores, de moderado para substancial, em uma escala construída a partir do coeficiente de concordância Cohen’s Kappa.
Abstract: The healthcare industry demands information technologies and computational methods to improve productivity and offer personalized assistance to patients. This work aimed to develop and explore information systems and computational methods to improve the management, optimize the exams, and provide new biomarkers and artificial intelligence signatures for decision making in medical imaging facilities. We developed softwares based on Workflow Based Approach (WBA) concept and computational methods using Python language to improve the management and optimize the exam protocols. A framework to access new biomarkers and artificial intelligence (AI) signatures was developed and validated in COVID-19 CT patients, 18F-FDG-PET/CT cervical cancer and 18F-FDG-PET/CT Hodgkin lymphoma patients. This framework was feasible for robustness analysis: repetitivity (error < 5%), reproducibility (intraclass correlation coefficient, ICC > 90%) and clinical correlation (p < 0.05). The overall performance of predictive models was AUC=0.74 and AUC=0.96 for 18F-FDG-PET/CT cervical cancer and 18F-FDG-PET/CT Hodgkin lymphoma, respectively. A new AI software to support thorax CT COVID-19 diagnoses was implemented and validated within PACS/Viewer. Without the support of software, physicians performed with mean sensitivity and specificity of 83.4% and 64.3%, respectively. When they were assisted with AI software, mean sensitivity and specificity were 87.1% and 91.1%, respectively. In addition, AI software improved the inter-rater reliability from moderate to substantial agreement in a Cohen’s Kappa scale.
Palavras-chave: Tecnologia médica
Padronização
Protocolos
Biomarcadores
Inteligência artificial
Radiologia
CNPq: CNPQ::CIENCIAS DA SAUDE
Idioma: por
País: Brasil
Editora / Evento / Instituição: Universidade Federal da Bahia
Sigla da Instituição: UFBA
metadata.dc.publisher.department: Faculdade de Medicina da Bahia
metadata.dc.publisher.program: Pós-Graduação em Medicina e Saúde (PPGMS) 
URI: https://repositorio.ufba.br/handle/ri/36841
Data do documento: 13-Jan-2023
Aparece nas coleções:Tese (PPGMS)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TESE FINAL_Marcos Machado revisado_pós defesa (2).pdf15,9 MBAdobe PDFVisualizar/Abrir
Mostrar registro completo do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.