INTRODUÇÃO: Sintomas de Trato Urinário Inferior (STUI) são extremamente comuns em homens acima de 40 anos e afetam gravemente a qualidade de vida da população. O acesso à saúde do homem é limitado por diversos motivos, e os últimos anos de pandemia só pioraram esse processo. A Urofluxometria (UF) é um exame pouco invasivo que permite avaliar parâmetros objetivos dos STUI, assim como observar a progressão longitudinal desses sintomas. Há descrição de uma tentativa na literatura de analisar parâmetros urinários através da gravação do som, porém carecem métodos padronizados e eficazes de coleta e análise de dados sonoros de fluxo urinário. O objetivo do projeto é formar um banco de dados sonoros de micção, e a partir desses dados verificar se seria possível uma avaliação portátil do fluxo urinário através do som. – OBJETIVOS: Criação de banco de dados sonoros, com intenção em desenvolver uma ferramenta técnica (software) capaz de analisar o fluxo urinário dos homens a partir do som. – MATERIAIS E MÉTODO: O presente é um estudo transversal prospectivo experimental, nos quais os participantes foram submetidos a UF concomitante à gravação do som do fluxo urinário. Também foram realizados Ultrassonografia Abdominal e questionários padronizados para STUI. Participantes foram divididos entre fluxo normal – Qmax maior que 15ml/min, ou de fluxo alterado – Qmax menor ou igual a 15ml/min. Dados da UF e do som do fluxo seriam analisados por meio de técnicas de machine-learning para determinar se o som poderia ser um bom determinante de parâmetros de fluxo. – RESULTADOS: Até o momento da elaboração do relatório, 23 participantes haviam tido seus dados coletados. A média de idade foi de 59 anos, 47% eram hipertensos e 44% diabéticos. 13 dos participantes foram classificados como grupo normal (ou controle) e 10 dos participantes com fluxo alterado. Participantes de fluxo alterado eram mais velhos, mais sintomáticos e de tempo de fluxo mais prolongado que o grupo controle. Além disso, questionários de sintomas demonstraram associação linear negativa com Qmax e Qmédio. – CONSIDERAÇÕES FINAIS: Devido a limitações de tamanho da amostra, regressões por meio de machine-learning não foram ainda realizadas. Porém, dados de tempo de fluxo, assim como demografia e questionários padronizados de sintomas – associados à literatura já presente – deixam otimista a visão da possibilidade de uma ferramenta de triagem portátil e de uso independente do paciente para triagem e acompanhamento de STUI. O projeto continuará em coleta para a evolução dos modelos estudados.
