Linha de pesquisa: Inteligência Artificial

Resumo: A predição do prognóstico neurológico de pacientes em coma é um problema clínico de alta relevância, ainda limitado por baixa sensibilidade e por variabilidade interavaliadores na interpretação de eletroencefalogramas (EEG). Esta dissertação investiga e valida o uso de Graph Neural Networks (GNNs) para prognóstico a partir de sinais de EEG, consolidando duas contribuições complementares. Primeiro, foi desenvolvido o EEGraph, uma estratégia que modela segmentos multicanais de EEG como grafos baseados na topologia do sistema 10–20, na qual os eletrodos são representados como vértices e as arestas codificam relações de proximidade espacial, com vizinhança controlada por ℎ. Em seguida, esse modelo foi estendido por meio do desenvolvimento do ST-EEGraph, um pipeline híbrido que desacopla a codificação espaço-temporal por eletrodo, realizada por encoders baseados em CNN e LSTM aprendidos de forma supervisionada, da modelagem das relações topológicas entre eletrodos a partir dos dados do exame de EEG representados em grafo, incluindo ainda mecanismos de atenção por meio do GATv2. Foram avaliadas 60 configurações, combinando níveis de vizinhança do EEGraph, três estratégias de codificação espaço-temporal por eletrodo (sem encoder, CNN e CNN+LSTM) e cinco variantes de GNN (GCN, GCNII, SGC, SAGE e GATv2), com validação cruzada estratificada em 10 folds e teste estatístico de Wilcoxon. Os resultados mostram que, primeiro, GNNs aplicadas sobre o EEGraph superam um baseline sequencial baseado em LSTM, ao explorar explicitamente a estrutura topológica dos eletrodos. Em segundo lugar, a inclusão de encoders espaço-temporais eleva de forma consistente o desempenho preditivo, com destaque para modelos com atenção operando sobre representações nodais mais ricas. Em conjunto, os achados reforçam o potencial do ST-EEGraph como base metodológica para suporte à decisão prognóstica em ambiente de terapia intensiva e abrem espaço para o desenvolvimento futuro de variantes baseadas em Transformers em substituição à LSTM.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fmeet...