Premiados PIJE2023

1º Prémio

Atualmente, a grande maioria das estratégias de manutenção das infraestruturas ferroviárias assenta em intervenções periodicamente agendadas que necessitam de uma forte intervenção humana. Esta abordagem conduz frequentemente à substituição de componentes antes de atingirem a sua vida útil. Como consequência, são realizadas intervenções desnecessárias, que conduzem a custos adicionais.

O presente trabalho visa assim contribuir para passar de uma manutenção eminentemente preventiva para uma manutenção baseada na condição.

Trata-se de uma metodologia de aprendizagem não supervisionada que visa a identificação de danos e a avaliação da condição das infraestruturas ferroviárias (como pontes, vias férreas, ou rodados de veículos) de forma automática e eficiente.

A metodologia envolve essencialmente 4 etapas:

1 | Extração de indicadores sensíveis ao dano;

2 | Modelação dos indicadores para reduzir a influência de efeitos ambientais e operacionais;

3 | Fusão dos indicadores para aumentar a sensibilidade ao dano;

4 | Classificação desses indicadores para avaliação automática da condição.

Os avanços nos serviços de saúde dependem da disponibilidade de conjuntos de dados extensos e de alta qualidade, essenciais para desenvolver modelos que automatizem diagnósticos, melhorem a precisão e personalizem tratamentos. Contudo, na área da saúde, a aquisição de dados enfrenta desafios como preocupações com privacidade, a raridade de certas doenças e obstáculos organizacionais e legais.

A síndrome de Wolff-Parkinson-White (WPW), uma doença cardíaca congénita rara caracterizada por uma via de condução elétrica adicional e anormal, ilustra tais desafios. A localização não invasiva das vias acessórias no coração é crucial para o tratamento eficiente desta condição. Os métodos tradicionais de diagnóstico não invasivo dependem da experiência e interpretação de especialistas, enfrentando limitações significativas. Neste contexto, algoritmos de Machine Learning oferecem uma solução promissora capaz de localizar vias acessórias sem exigir conhecimento médico explícito.

Este projeto descreve uma metodologia inovadora, validada e adaptável a vários domínios para gerir conjuntos de dados pequenos e desequilibrados, aplicando-a na identificação de padrões de eletrocardiogramas (ECG) em pacientes com síndrome de WPW para localizar regiões anómalas no coração.

Redes Neuronais Artificiais e Conjuntos de Árvores foram implementados para aprender características do ECG e identificar a localização de vias acessórias. Os modelos desenvolvidos permitiram obter resultados com elevada qualidade, superando os métodos convencionais, tendo implicações significativas no planeamento de tratamentos individuais otimizados.