Dissertação

RNNs for detecting depression in Huntington’s Disease EVALUATED

A doença de Huntington é uma doença neurodegenerativa caracterizada por disfunções progressivas do foro motor, cognitivo e psicológico, causadas por uma mutação genética numa proteína cuja função não é totalmente compreendida. A evolução desta doença ao longo do tempo pauta-se por uma grande variabilidade, o que a torna difícil de controlar e prever. Um distúrbio psicológico muito incidente nesta doença é a depressão. Embora, ao contrário de outros sintomas, não esteja correlacionada com a progressão da doença, tem sido associada a um pior desempenho funcional e cognitivo. Ademais, tem um impacto extremo na qualidade de vida, tanto do paciente como da família. No presente estudo, foi desenvolvido um modelo de Aprendizagem Profunda para a deteção de um historial de depressão, baseado em dados clínicos. Para tal, foram usados dados longitudinais, provenientes da base de dados "Enroll-HD", de 9474 pessoas com HD e 1481 controlos. Os dados recolhidos abrangem informação de visitas clínicas anuais nas quais são realizados exames e vários questionários são preenchidos, no sentido de avaliar as diferentes componentes da doença. Com o principal objetivo de perceber se seria possível distinguir, a partir da evolução da doença, casos de depressão, testaram-se várias arquiteturas de Redes Neuronais Recorrentes. Observou-se ainda que adicionar dados de perfil do paciente e respetiva familía contribuia para uma capacidade de deteção melhorada. Com a implementação de um modelo de Unidades Recorrentes de Porta, conseguiu-se uma exatidão de 80%, uma taxa de verdadeiros positivos de 85% e uma taxa de verdadeiros negativos de 69%.
Doença de Huntington, Depressão, Aprendizagem Profunda, Redes Neuronais Recorrentes

Abril 7, 2020, 11:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar