Estudantes do Departamento de Ciência da Computação (DCC) da UFMG receberam, durante o Encontro Nacional de Inteligência Artificial e Computação (ENIAC), uma subconferência do Brazilian Conference on Intelligent Systems (BRACIS) 2024, ocorrido no final de novembro, em Belém, Pará, estudantes da graduação dos cursos de Ciência da Computação e Sistemas de Informação do DCC, receberam o prêmio de primeiro e segundo lugares no “Best Paper – Undergraduate Track”. Undergraduate Track se refere ao fato de o ENIAC possuir uma “Ampla Concorrência” e uma trilha exclusiva para alunos de graduação.
Com o trabalho intitulado “Otimizando Auditorias de ECG: Identificação de Exames Ambíguos Baseada em Clustering”, ganharam o primeiro lugar os alunos: Arthur Buzelin, Caio Souza Grossi, Guilherme Henrique Evangelista, Luísa Gontijo Porfirio e Pedro Bacelar Rigueira.
Resumo: Eletrocardiogramas (ECGs) são ferramentas cruciais para o diagnóstico de doenças cardíacas, e auditorias regulares desses exames são essenciais para manter a consistência diagnóstica, assegurar padrões de qualidade e garantir a confiabilidade de bancos de dados médicos. No entanto, a prática atual de selecionar aleatoriamente ECGs para auditoria pode ser ineficiente, pois frequentemente inclui casos com diagnósticos claros e incontestáveis. Neste artigo, apresentamos um método não supervisionado que utiliza técnicas de clustering para identificar ECGs com maior probabilidade de ambiguidade diagnóstica. Nossa abordagem identifica um grupo de exames com uma taxa média de ambiguidade de 38,98\%, que é mais de três vezes superior aos 12\% observados nos métodos convencionais de auditoria.
Já o segundo lugar ficou com o trabalho intitulado “ECG-ResNeXt: Age Prediction in Pediatric Electrocardiograms and Its Correlations with Comorbidities”, de autoria dos estudantes Diogo Tuler, Gabriel Eduardo Lemos dos Santos, José Geraldo Fernandes, Pedro Robles Dutenhefner e Turi Vasconcelos.
Resumo:
Doenças cardiovasculares são a principal causa de mortalidade global, sendo o eletrocardiograma (ECG) essencial para avaliar a saúde cardíaca. Além do diagnóstico automático, o uso de modelos de inteligência artificial para a predição de idade a partir do ECG tem demonstrado grande potencial, de modo que quadros clínicos adversos sejam identificados por erros na idade predita. Neste trabalho pioneiro, exploramos a predição de idade em dados pediátricos, propondo o modelo ECG-ResNeXt, que incorpora avanços como inverted bottlenecks e Global Response Normalization, e superou resultados obtidos por modelos anteriores. Além disso, analisamos correlações entre erros de predição e comorbidades, ressaltando o potencial clínico deste estudo.
