Método para diagnóstico e identificação de pacientes em risco de desenvolver Alzheimer utilizando técnicas de inteligência artificial

• Ano de defesa: 2018
• Autor(a) principal: Povala, Guilherme
• Orientador(a): Zatt, Bruno
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• Departamento: Centro de Desenvolvimento Tecnológico
• País: Brasil
• Palavras-chave em Português: Computação; Doença de Alzheimer; Inteligência artificial; Alzheimer pré-clínico; Alzheimer disease; Artificial intelligence; Preclinical Alzheimer
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://guaiaca.ufpel.edu.br/handle/prefix/8515

Ao longo dos anos, os avanços em pesquisas relacionadas a saúde permitiram descobrir curas e tratamentos para inúmeras doenças. No entanto, ainda existem várias doenças para as quais a cura é desconhecida e os tratamentos existentes são ineficazes. Dentre elas, está a Doença de Alzheimer (DA), que é uma doença neurodegenerativa crônica e atinge principalmente pessoas com mais de 65 anos de idade. A DA não tem cura e o diagnóstico precoce é essencial para novas estratégias terapêuticas. Com isso, a busca por tratamentos que possam retardar a progressão da patologia se tornam essenciais, principalmente se a doença for descoberta precocemente. Desta forma, faz-se necessário identificar pacientes que estão em risco de desenvolver a doença, de preferência de uma forma não invasiva, com um baixo custo para implementação e aplicação e acessível para grande parte da população. Portanto, este trabalho se propõe a estudar a DA, suas características e a base de dados da Alzheimer’s Disease Neuroimaging Initiative (ADNI), que contém biomarcadores clínicos, de imagem, genéticos e de bioespécime, obtendo assim o conhecimento necessário para desenvolver um método para classificação de pacientes que tendem a progredir de um estágio pré-clinico ou de pré-demência para DA, a fim de identificar indivíduos em risco de desenvolver a doença. Desta forma, é proposto o Two-Step Classifier (TSC), um método de classificação de pacientes em risco. O TSC foi modelado na ferramenta RapidMiner Studio e é arquitetado em duas etapas. O first-step é responsável pela classificação de pacientes em risco, enquanto o second-step realiza a predição do estado cognitivo dos pacientes. O TSC atinge uma precisão de 89,3% na identificação de pacientes em risco de desenvolver Alzheimer.