Dissertação
Profiling ALS disease progression through data mining techniques EVALUATED
A esclerose lateral amiotrófica (ELA) é uma doença neurodegenerativa cujos pacientes sofrem um rápido declínio funcional. Estudar a progressão da doença usando técnicas de mineração de dados é utilíssimo, porque ajuda os médicos a entender quando devem administrar procedimentos que evitem a insuficiência respiratória dos pacientes (a principal causa de morte). Esta Tese aborda a progressão de ELA usando redes de Bayes dinâmicas (RBDs), uma técnica de aprendizagem automática que representa graficamente a distribuição de probabilidade conjunta de variáveis aleatórias dinâmicas (temporalmente dependentes). Para incluir informação estática (temporalmente independente) nas RBDs, são propostas as sdtDBNs, que aprendem RBDs com variáveis estáticas e dinâmicas, tendo complexidade temporal polinomial no número de variáveis. O modelo proposto permite introduzir conhecimento prévio (restringindo as relações das redes) e fazer inferência nas sdtDBNs. Uma implementação em software das sdtDBNs e uma interface gráfica estão publicamente disponíveis. A progressão de ELA é abordada usando observações de 1214 pacientes, primeiro, considerando todos os pacientes, e, depois, dividindo-os em três grupos de progressão. Para cada um destes quatro conjuntos de pacientes, prevê-se o seu declínio funcional e obtêm-se graficamente as correlações entre os indicadores clínicos, usando sdtDBNs. As previsões oferecem resultados promissores, com exatidões geralmente acima de 75%. As correlações encontradas fornecem uma descrição intuitiva das interações entre as variáveis. A Tese termina respondendo a três questões clínicas usando sdtDBNs, fornecendo uma análise com impacto clínico. Todas as avaliações apresentadas mostram que as sdtDBNs caracterizam adequadamente a progressão de ELA, motivando o seu uso como uma ferramenta clínica.
dezembro 17, 2020, 9:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Alexandra Sofia Martins de Carvalho
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar