FenixEdu™

Dissertação

{en_GB=Predicting the conversion from Mild Cognitive Impairment to Alzheimer's disease using disease staging: A case study in ADNI data} {} EVALUATED

Detalhes: {pt=A crescente necessidade de inferir a sequência de eventos biológicos que caracteriza a cascata patológica da doença de Alzheimer (DA) surge perante um aumento exponencial na prevalência desta doença e do facto de continuar incurável. Os factores de risco estão a ser desvendados, mas os mecanismos desencadeados por estes factores ainda permanecem desconhecidos. Desvendar a sequência de eventos que precede os devastadores sintomas neuropsicológicos causados pela DA e prever o prognóstico de demência são dois importantes objectivos para promover a eficácia dos testes clínicos e futura investigação. Nesta dissertação, desenvolveu-se uma metodologia para incluir uma estimativa da fase da doença de cada sujeito num modelo para previsão da conversão para demência dentro de 3 anos em pacientes com deficiência cognitiva ligeira, usando dados da Alzheimer's Disease Neuroimaging Initiative. Ao modelar a progressão longitudinal dos biomarcadores, nós conseguimos estimar as fases da doença dos pacientes e extrair curvas de crescimento a longo-prazo que caracterizam a cascata patológica da DA. Com esta dissertação, propomos a incorporação da fase da doença, como atributo para a previsão da conversão, testando múltiplos classificadores e técnicas de pré-processamento. O conjunto de atributos proposto contribuiu para um aumento global do poder de generalização nos diferentes classificadores usados. Observamos que os resultados da validação usando o atributo proposto são consideravelmente melhores do que sem esse atributo., en=There is an increasingly necessity to understand the underlying sequence of biological events occurring within the Alzheimer's disease (AD) pathological cascade. This urge emerges from the fact that AD remains incurable, while facing an exponential increase of prevalence. The known risk factors are being unveiled, but the exact mechanisms triggered by this factors are still unknown. The discovery of the sequence of events preceding the devastating neuropsychological symptoms caused by AD, along with the prediction of subjects who are going to progress to dementia, are of major importance in order to efficiently carry out clinical trials and future research. In this thesis, we developed a single methodology to merge the estimated patient's disease stage in a data mining procedure to predict conversion to dementia within 3 years, from patients with mild cognitive impairment in the Alzheimer's Disease Neuroimaging Initiative database. By modelling the longitudinal biomarkers progression, we are able to estimate the disease stage of each patient and extract the long-term growth curves that characterize the AD pathological cascade. We propose to use the estimated disease stage as a feature for the prediction of conversion, probing multiple classifiers and preprocessing techniques. The augmented feature set led to an overall increased power of generalization across the different applied classifiers. We observed considerable improvements in the validation results when incorporating the disease stage, rather than learning just the baseline dataset.}
Keywords: {pt=Doença de Alzheimer, Défice Cognitivo Ligeiro, Classificação, Prognóstico, Modelos Longitudinais, GRACE, en=Alzheimer’s Disease, MCI, Data Mining, Prognosis, Longitudinal Model, GRACE}

Discussão: junho 25, 2015, 10:0