Dissertação
Predicting conversion from mild cognitive impairment to Alzheimer's Disease using a temporal mining approach: An exploratory study in real data approach EVALUATED
A Doença de Alzheimer (DA) é uma doença neurodegenerativa e a forma mais comum de demência. Mecanismos de mineração de dados permitem, através de uma base de dados de resultados de testes neuropsicológicos, identificar padrões e chegar a conclusões sobre estes dados que permitem ao médico prever com mais facilidade a progressão de um doente de um estado de Défice Cognitivo Ligeiro para um estado de Alzheimer. Esta tese pretende contribuir para a previsão do prognóstico de evolução para DA com duas abordagens. A primeira consiste e na criação de atributos temporais a acrescentar à base de dados que consigam captar a informação temporal que um classificador independente não consegue. Foram criados atributos temporais que calculam a progressão, que definem padrões e que sumarizam estatisticamente o intervalo entre dois instantes temporais. A segunda baseia-se no uso de Hidden Markov Models de maneira a conseguir processar a informação temporal presente na base de dados. Os primeiros resultados mostram-se promissores, já que muitos conseguiram superar os resultados considerados como baseline, indicando que a informação temporal ajuda na deteção da conversão de DA. Contudo, a aplicação dos Modelos de Markov a este problema não conseguiu provar ser uma boa alternativa já que a plataforma onde estes modelos foram usados raramente consegui fornecer resultados para as bases de dados em questão. No geral, este trabalho exploratório mostra um futuro caminho a seguir para a melhor compreensão dos mecanismos da DA e da capacidade de prognóstico por modelos de mineração de dados usando informação temporal.
dezembro 12, 2016, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Sara Alexandra Cordeiro Madeira
Departamento de Engenharia Informática (DEI)
Professor Auxiliar