Classificação de transtorno bipolar, esquizofrenia e depressão utilizando redes neurais artificiais

• Ano de defesa: 2019
• Autor(a) principal: Fonseca, Mateus Beck
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Catolica de Pelotas; Centro de Ciencias da Saude; Brasil; UCPel; Programa de Pos-Graduacao em Saude Comportamento
• Palavras-chave em Português: biomarcadores; redes neurais artificiais; transtorno bipolar; esquizofrenia; depressão; citocinas inflamatórias; neurotrofinas; biomarkers; artificial neural networks; bipolar disorder; schizophrenia; cytokines, neurotrophins; MEDICINA::PSIQUIATRIA
• Link de acesso: http://tede.ucpel.edu.br:8080/jspui/handle/jspui/782

O transtorno bipolar, a depressão maior e a esquizofrenia são transtornos de difícil diagnóstico e diferenciação. Estudos apontam que a alteração de níveis de biomarcadores inflamatórios e neurotróficos podem estar associados com o diagnóstico dessas doenças. Redes neurais artificiais (RNA) são ferramentas computacionais de inteligência artificial para modelagem baseadas em sistemas neurais biológicos, as quais utilizam fórmulas matemáticas mimetizando o comportamento neural. O objetivo deste trabalho é propor um modelo de RNA para auxiliar no diagnóstico de transtorno bipolar, da depressão maior e da esquizofrenia, utilizando biomarcadores e características simples da população amostrada. O método de análise para o primeiro artigo é o treinamento de RNA aplicada à um banco de dados de distribuição livre da Stanley Neuropathology Consortium, o qual consiste de biomarcadores inflamatórios e características da população com diagnósticos de esquizofrenia, transtorno bipolar e um grupo controle (sem transtornos); para o segundo artigo utilizou-se outro banco de dados, com variáveis bioquímicas, características da população e respostas de questionários com diagnósticos de depressão maior, transtorno bipolar e um grupo controle (sem transtornos). O programa de treinamento da RNA utilizado é o OpenNN, e também é de distribuição livre. Como resultado tem-se RNAs treinadas com mais de 80% de acurácia nas classificações dos diagnósticos