Dissertação

{en_GB=Predicting conversion from mild cognitive impairment to Alzheimer's Disease using a temporal mining approach: An exploratory study in real data approach} {} EVALUATED

{pt=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. , en=Alzheimer’s Disease(AD) is neurodegenerative disease and the most common form of dementia. AD prevalence increases each year and there is no efficient and universal treatment. Data mining methods comprise pattern recognition from medical databases consisting on neuropsychological data that provide information to the medical doctor, facilitating the prognosis from a Mild Cognitive Impairment (MCI) state to the conversion to AD. Previous studies use independent classifiers to this prognosis problem, ignoring any temporal information present in the dataset. This thesis focus on contributing to the early detection of the conversion to AD prognosis with two approaches: preprocessing techniques that transform the original dataset in order to capture this temporal information and using a temporal classifier able to deal with this temporal information. The first approach consists on feature extraction where temporal features that calculate the progression, define temporal patterns and statistically sum up the progression between two timepoints are derived from the original values. This preprocessing workflow is followed by a classification task carried out using the Naive Bayes classifier. The second one relies on Hidden Markov Models (HMM) to process internally the temporal information on the original dataset. First approach shows promising results, where many models outperformed the baseline one. However, HMM were not able to provide a good alternative as the environment was not able to successfully process the original data. Overall, this exploratory work shows a future path to better understand the underlying AD mechanisms and to improve the AD prognosis with Data Mining methodologies. }
{pt=Doença de Alzheimer, Défice Cognitivo Ligeiro, Mineração temporal de dados, Mineração de dados, en=Alzheimer’s Disease, Mild Cognitive Impairment, Temporal Mining, Data Mining}

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