|
Abstract:
|
A exposição prolongada ao ambiente espacial pode provocar alterações nos sistemas musculoesquelético, cardiovascular, neurológico e neurocognitivo, sendo importante investigar seus efeitos para a avaliação dos riscos à saúde em missões de longa duração. O objetivo inicial deste trabalho foi investigar dados biomédicos relacionados à exposição espacial e avaliar seu potencial para análises estatísticas e, posteriormente, modelos de Machine Learning voltados à avaliação individualizada desses riscos.
Inicialmente, foi realizado um estudo dirigido sobre aprendizado de máquina aplicado a problemas científicos, utilizando principalmente o livro Machine Learning for Physics and Astronomy, de Viviana Acquaviva. Foram estudados métodos de regressão, redes neurais, Deep Learning, regressão por Kernel, Equações Diferenciais Parciais e Physics-Informed Neural Networks (PINNs), além de atividades em Python e Jupyter. Em seguida, foi realizado um levantamento das principais fontes de dados biomédicos relacionadas às pesquisas espaciais da NASA, com HRP, OSDR e LSDA selecionados para a busca e triagem inicial.
Durante a triagem, verificou-se que a quantidade de estudos disponíveis não correspondia à quantidade de dados individualizados necessária para a pesquisa. Muitos conjuntos apresentavam resultados agregados, informações fragmentadas ou não possuíam todas as variáveis necessárias para uma análise integrada. Diante disso, o plano de atividades foi adaptado e os Medical Requirements Integration Documents (MRIDs) passaram a orientar a busca. Foram investigados dez protocolos de diferentes domínios fisiológicos, avaliando-se seus estudos e datasets quanto às variáveis, origem, ambiente experimental, dimensão temporal e potencial de utilização.
Como principal resultado, foi construída uma estrutura padronizada de catalogação e curadoria dos datasets encontrados, reunindo informações sobre protocolos, origem, ambiente, domínio fisiológico, variáveis, timepoints, uso potencial, prioridade e observações. A modelagem estatística e de Machine Learning inicialmente prevista não foi realizada durante o período da bolsa, pois a estruturação dos dados se mostrou uma etapa necessária e mais complexa do que o previsto. Assim, o foco foi direcionado à organização e caracterização da base, estabelecendo uma estrutura para a continuidade do trabalho e futura aplicação dos métodos estatísticos e de Machine Learning. |
