Dissertação
{en_GB=Data-Driven Approaches For Amyotrophic Lateral Sclerosis Patient Stratification Using Clinical Profiles} {} EVALUATED
{pt=A Esclerose Lateral Amiotrófica é uma doença neurodegenerativa caracterizada por uma progressão geralmente rápida da degeneração muscular, geralmente levando à morte em poucos anos após o seu início. Neste contexto, qualquer melhoramento significativo da esperança e qualidade de vida do paciente é de grande relevância. Vários estudos têm sido feitos para abordar problemas como o diagnóstico da ELA, e mais recentemente, o prognóstico. Neste contexto, esta tese visa a previsão prognóstica na ELA, utilizando modelos de aprendizagem automática baseados em perfis de pacientes, ou seja, grupos de pacientes com características semelhantes no diagnóstico ou padrões semelhantes de progressão da doença. Neste trabalho, é iniciada uma análise dos dados através da construção de redes de semelhança de doentes, utilizando diferentes conjuntos de características, medidas de distância e limiares. Além disso, são utilizadas várias técnicas de ensemble learning e clustering, com o objectivo de identificar subgrupos de pacientes para permitir a concepção de tratamentos mais específicos para lidar com a doença. , en=Amyotrophic Lateral Sclerosis is a neurodegenerative disease, characterized by progressive degeneration of upper and lower motor neurons in a few years from onset. In this context, any significant improvement of the patient’s life expectancy and quality is of major relevance. Several studies have been made to address problems such as ALS diagnosis, and more recently, prognosis. In this context, the thesis targets prognostic prediction in ALS using machine learning models based on Patient Profiles, i.e. groups of patients with similar characteristics at diagnosis or similar disease progression patterns. Given the limited knowledge about the disease, this thesis aims to analyse and compare different stratification techniques. In this work, an analysis of the data by constructing patient similarity networks is initiated, by using different feature sets, distance measures and thresholds. Moreover, various clustering algorithms and ensemble techniques are analysed, to identify subgroups of patients to allow the design of more specific treatments to deal with the disease. }
outubro 18, 2021, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Sara Alexandra Cordeiro Madeira
Faculdade de Ciências da Universidade de Lisboa
Professor Associado