Dissertação

{en_GB=Profiling ALS disease progression through data mining techniques} {} EVALUATED

{pt=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., en=Amyotrophic lateral sclerosis (ALS) is a neurodegenerative disease that causes a fast functional decline of the patients. Studying the disease progression using data mining techniques is extremely useful, as it helps clinicians understand when they should apply procedures to avoid patients’ respiratory failure (the main cause of death). This Thesis tackles ALS disease progression using dynamic Bayesian networks (DBNs), a machine learning model that graphically displays the joint probability distribution of dynamic (time-dependent) random variables. To include static (time-independent) information in DBNs, the sdtDBN framework is proposed, which learns optimal DBNs with static and dynamic variables, having polynomial-time complexity in the number of variables. The sdtDBN framework can also introduce prior knowledge (by restricting the networks’ relations) and make inference in learned sdtDBNs. A software implementation of the sdtDBN framework and a graphical user interface are publicly available. The disease progression is assessed using observations of 1214 ALS patients, considering, first, all patients, and, then, their division into three progression groups. For each of these four sets of patients, their functional decline is predicted using sdtDBNs, and the correlations between the clinical indicators are determined with the graphical display of sdtDBNs. The predictions provide promising results, with accuracies generally above 75%. The correlations found present an intuitive overview of the interactions among variables. The Thesis ends by answering three clinical questions using sdtDBNs, providing an analysis with clinical impact. All assessments presented show that sdtDBNs can properly profile ALS disease progression, motivating the use of sdtDBNs as a clinical tool.}
{pt=esclerose lateral amiotrófica, mineração de dados, progressão da doença, redes de Bayes dinâmicas, algoritmo polinomial, en=amyotrophic lateral sclerosis, data mining, disease progression, dynamic Bayesian networks, polynomial-time algorithm}

Dezembro 17, 2020, 9:30

Orientação

ORIENTADOR

Sara Alexandra Cordeiro Madeira

FCUL

Professor Associado

ORIENTADOR

Alexandra Sofia Martins de Carvalho

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar