Detalhes bibliográficos
Ano de defesa: |
2018 |
Autor(a) principal: |
Povala, Guilherme |
Orientador(a): |
Zatt, Bruno |
Banca de defesa: |
Não Informado pela instituição |
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: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
http://guaiaca.ufpel.edu.br/handle/prefix/8515
|
Resumo: |
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. |