Dissertação

{en_GB=RNNs for detecting depression in Huntington’s Disease} {} EVALUATED

{pt=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%., en=Huntington's Disease (HD) is a neurodegenerative disorder characterized by motor, cognitive and psychiatric progressive dysfunctions, caused by a genetic mutation on a protein whose function remains incompletely understood. The evolution of HD through time is marked by great variability, which makes it of difficult management. One highly incident psychiatric impairment is depression. While, unlike other symptoms of the disease, it is not correlated to disease progression, it has been linked to greater functional damage and worse cognitive performance. Furthermore, it has an extreme impact on the quality of life of both the patient and family. In the present study, a Deep Learning model for detecting if depression was ever a part of a patient's medical history, based on sequential clinical data, was developed. For that, longitudinal data of 9474 HD patients and 1481 controls from the Enroll-HD database was used. The gathered data comprises information from annual clinical visits where several questionnaires are answered and exams are performed, regarding the evaluation of all clinical aspects of HD. With the main objective of understanding if it was possible to distinguish, from the evolution of the disease, cases where depression had been present from those that did not suffer from it, several Recurrent Neural Networks architectures were tested. It was also observed that adding "profile" data about the patient and family contributed to an enhanced detection ability. With the implementation of a Gated Recurrent Units model an accuracy of 80% was achieved, with a sensitivity of 85% and a specificity of 69%. }
{pt=Doença de Huntington, Depressão, Aprendizagem Profunda, Redes Neuronais Recorrentes, en=Huntington's Disease, Depression, Deep Learning, Recurrent Neural Networks}

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