Introdução: O acidente vascular cerebral (AVC) tem mais de 150 causas conhecidas, e por isso é considerada uma doença heterogênea. Dentre os subtipos de AVC, a hemorragia intraparenquimatosa cerebral é o de pior prognóstico. Embora investigar a etiologia do AVC seja fundamental para a prevenção de um novo episódio, estima-se que esta investigação ocorre de forma adequada no nosso meio em menos de 30% dos casos. No caso da hemorragia intraparenquimatosa cerebral (HIC), diversos sistemas de classificação foram propostos (como o sistema SMASH-U), mas ainda não existe um sistema ideal para este fim. Neste cenário, o uso de um aplicativo para classificar de forma automática a etiologia de um episódio de hemorragia intraparenquimatosa cerebral (HIC) é uma possível forma de otimizar a investigação etiológica na prática clínica. Objetivo: Este estudo visa desenvolver e validar um aplicativo de celular que faz uso de métodos de Aprendizado de Máquina para predizer a etiologia da hemorragia intraparenquimatosa cerebral de pacientes usando como base a classificação etiológica SMASH-U. Metodologia: Para este estudo foram selecionados dados de forma retrospectiva de 66 pacientes com HIC consecutivos admitidos no HCFMRP-USP entre 01/01/2018 e 31/12/2019 e incluídos de forma prospectiva no Registro de Acidente Vascular Cerebral de Ribeirão Preto (REAVER). Dos dados coletados, 30% foi separado para a validação externa e 70% foi utilizado para a comparação dos modelos. Foram testados 18 pipelines, compostos por três fases: rotulação de instâncias não rotuladas (Máquina de Vetor de Suporte, Florestas Aleatórias, Redes Neurais Artificiais), seleção de atributos (Regressão Logística, Qui-Quadrado), e classificação supervisionada da etiologia SMASH-U (Máquina de Vetor de Suporte, Florestas Aleatórias, Redes Neurais Artificiais). O pipeline com melhor desempenho foi escolhido para servir ao aplicativo. As classes foram balanceadas com o método Random Oversampling e a AUC - do inglês "Area Under the Curve", que corresponde à área sob a curva ROC - foi obtida por cross-validation (k=5). Os dados de validação externa foram classificados pelo pipeline escolhido para servir ao aplicativo e a acurácia inter-classe foi obtida. O aplicativo para celulares foi desenvolvido através do framework React Native e se comunica com o servidor por meio de requisições. O estudo foi aprovado no comitê de ética em pesquisa do HCFMRP-USP e obtivemos dispensa do termo de consentimento. Resultados: A amostra foi composta de 66 pacientes com HIC. Do total de pacientes, a maioria eram sexo masculino (60,6 %), declarados brancos (71,2%), e com idade média de 60,8 e desvio padrão de 13,12. Quanto às classificação SMASH-U dos episódios, a etiologia primária hipertensiva foi a mais comum (46 pacientes - 69,7%), seguida pelas etiologias indefinida (9 pacientes - 13,6%), sistêmica (3 pacientes - 4,6%), angiopatia amilóide (3 pacientes - 4,6%), estrutural (3 pacientes - 4,6%) e medicação (2 pacientes - 3,0%). O pipeline escolhido obteve a AUC de 0,99 e na validação externa o modelo acertou 80% das etiologias HAS, 20% das U e 0% das demais. O aplicativo móvel desenvolvido possui interface de fácil usabilidade e apresenta duas funcionalidades principais: a classificação da etiologia de dados de um único paciente preenchidos por um formulário, e a classificação em lote para uma lista de muitos pacientes. O aplicativo obteve desempenho satisfatório, boa responsividade nos aparelhos testados, e funciona nas plataformas iOS e Android. Conclusões: Desenvolvemos e validamos um aplicativo de celular que faz uso de métodos de Aprendizado de Máquina para predizer a etiologia da hemorragia intraparenquimatosa cerebral de pacientes usando como base a classificação etiológica SMASH-U com boa acurácia e usabilidade. O aplicativo possui funcionalidades que podem auxiliar a investigação etiológica na prática clínica, assim como facilitar a rotulação de grande quantidade de dados para pesquisas.

Introduction: Stroke has more than 150 known causes, and therefore is considered a heterogeneous disease. Among hemorrhagic stroke subtypes, intraparenchymal hemorrhage is the one with the worst prognostic. It's caused by the rupture of a vessel and its consequent extravasation of blood into the brain. Although investigating the etiology of the stroke is essential for the prevention of a new episode, it occurs in only 30% of the cases. Machine In The use of an application to automatically classify the etiology of an episode of cerebral intraparenchymal hemorrhage (ICH) is a possible way to optimize the etiological investigation in clinical practice. Objective: This study aims to develop and validate a mobile application that uses Machine learning methods to predict a SMASH-U of an episode of intraparenchymal hemorrhage. Methods: For this study, data were retrospectively selected from 66 consecutive ICH patients admitted to the HCFMRP-USP between 01/01/2018 and 12/31/2019 and prospectively included in the Ribeirão Preto Cerebrovascular Accident Registry (REAVER). Of the collected data, 30% was set aside for external validation and 70% was used for model comparison. Eighteen pipelines were tested, consisting of three phases: labeling of unlabeled instances (Support Vector Machine, Random Forests, Artificial Neural Networks), attribute selection (Logistic Regression, Chi-Square), and supervised classification of the SMASH-U etiology (Support Vector Machine, Random Forests, Artificial Neural Networks). The best performing pipeline was chosen to serve the application. The classes were balanced using the Random Oversampling method and the AUC ("Area Under the ROC Curve") was obtained by cross-validation (k=5). The external validation data was sorted by the chosen pipeline to serve the application and the inter-class accuracy was obtained. The mobile application was developed using the React Native framework and communicates with the server through requests. The study was approved by the Research Ethics Committee of the HCFMRP-USP and we obtained a waiver of the consent form. Results: The sample consisted of 66 patients with ICH. Of the total number of patients, most were male (60.6%), declared white (71.2%), with a mean age of 60.8 and standard deviation of 13.12. As for the SMASH-U classification of the episodes, the primary hypertensive etiology was the most common (46 patients - 69.7%), followed by undefined (9 patients - 13.6%), systemic (3 patients - 4.6% ), amyloid angiopathy (3 patients - 4.6%), structural (3 patients - 4.6%) and medication (2 patients - 3.0%). The chosen pipeline obtained an AUC of 0.99 and in the external validation the model was correct in 80% of the SAH etiologies, 20% of the U and 0% of the others. The developed mobile application has an easy-to-use interface and features two main functionalities: classification of the etiology of data from a single patient filled in by a form, and batch classification for a list of many patients. The application achieved satisfactory performance, good responsiveness on the tested devices, and works on the iOS and Android platforms. Conclusions: We developed and validated a mobile application that makes use of Machine Learning methods to predict the etiology of cerebral intraparenchymal hemorrhage in patients using the SMASH-U etiological classification with good accuracy and usability. The application has features that can help etiological investigation in clinical practice, as well as facilitate the labeling of large amounts of data for research.