Detecção de alterações respiratórias na fibrose cística com o uso de algoritmos de aprendizado de máquinas
Resumo
Avanços no tratamento da fibrose cística têm permitido que pacientes chegassem até a fase adulta. Como uma alternativa, a Técnica de Oscilações Forçadas (FOT) vem sendo usada na análise do sistema respiratório e precisa comprovar sua eficácia. Sendo assim, este trabalho propõe o uso de algoritmos de aprendizado de máquinas (AM) para auxiliar a investigação e diagnóstico de alterações respiratórias na fibrose cística através dos dados fornecidos pela FOT. Durante os experimentos realizados, os modelos usados apresentaram valores de AUC variando de 0,87 a 0,89, mostrando que o uso de algoritmos de AM aumentou a acurácia no diagnóstico de alterações respiratórias da fibrose cística.
Palavras-chave:
Fibrose cística, Diagnóstico de alterações respiratórias, Aprendizado de máquina, Técnica de Oscilações Forçadas
Referências
Amaral, J., Lopes, A., Faria, A. e Melo, P. (2015) “Machine learning algorithms and forced oscillation measurements to categorise the airway obstruction severity in chronic obstructive pulmonary disease”, Em: Computer Methods and Programs in Biomedicine, Elsevier, Volume 118, páginas 186-197.
Amaral, J., Lopes, A., Jansen, J., Faria, A. e Melo, P. (2013) “An improved method of early diagnosis of smoking-induced respiratory changes using machine learning algorithms”, Em: Computer Methods and Programs in Biomedicine, Elsevier, Volume 112, páginas 441-454.
Amaral, J., Lopes, A., Veiga, J., Faria, A. e Melo, P. (2017) “High-accuracy detection of airway obstruction in asthma using machine learning algorithms and forced oscillation measurements”, Em: Computer Methods and Programs in Biomedicine, Elsevier, Volume 144, páginas 113–125.
Andersen, D. (1938) “Cystic fibrosis of the pancreas and its relation to celiac disease clinical and pathologic study”, Em: American Journal of Diseases of Children, Volume 56 (2), páginas 344-399.
Dalcin, P. e Silva, F. (2008) “Fibrose cística no adulto: aspectos diagnósticos e terapêuticos”, Em: Jornal Brasileiro de Pneumologia, páginas 107-117.
Dubois, A., Brody, A., Lewis D. e Burgess, B. (1956) “Oscillation mechanics of lungs and chest in man”, Em: Journal of applied physiology, Volume 8, páginas 587-594.
Faceli, K., Lorena, A., Gama, J. e Carvalho, A. (2011) “Inteligência Artificial: uma Abordagem de Aprendizado de Máquina”, Editora LTC.
Hastie, T., Tibshirani, R. e Friedman, J. (2008) “The Elements of Statistical Learning: Data Mining, Inference and Prediction”, Em: Springer.
Huang, J. e Ling C. (2005) “Using AUC and Accuracy in Evaluating Learning Algorithms”, Em: IEEE Transaction Knowledge and Data Engineering, Volume 17, Número 3, páginas 299–310.
Liaw, A. e Wiener, M. (2002) “Classification and Regression by Random Forest”, Em: R. News, Volume 2/3, páginas 18–22.
Lima, A., Faria, A. e Lopes, A. (2010) “Técnica de oscilações forcadas na avaliação funcional de pacientes com fibrose cística com idade superior a 18 anos”, Em: Pulmão RJ.
Margineantu, D. e Dietterich, T. (1997) “Pruning Adaptive Boosting, Machine Learning”, Em: Proceedings of the Fourteenth International Conference, páginas 211-218, 1997.
Metz, C. (1978) “Basic Principles of ROC Analysis”, Em: Seminars in Nuclear Medicine, Volume 8, Número 4.
Amaral, J., Lopes, A., Jansen, J., Faria, A. e Melo, P. (2013) “An improved method of early diagnosis of smoking-induced respiratory changes using machine learning algorithms”, Em: Computer Methods and Programs in Biomedicine, Elsevier, Volume 112, páginas 441-454.
Amaral, J., Lopes, A., Veiga, J., Faria, A. e Melo, P. (2017) “High-accuracy detection of airway obstruction in asthma using machine learning algorithms and forced oscillation measurements”, Em: Computer Methods and Programs in Biomedicine, Elsevier, Volume 144, páginas 113–125.
Andersen, D. (1938) “Cystic fibrosis of the pancreas and its relation to celiac disease clinical and pathologic study”, Em: American Journal of Diseases of Children, Volume 56 (2), páginas 344-399.
Dalcin, P. e Silva, F. (2008) “Fibrose cística no adulto: aspectos diagnósticos e terapêuticos”, Em: Jornal Brasileiro de Pneumologia, páginas 107-117.
Dubois, A., Brody, A., Lewis D. e Burgess, B. (1956) “Oscillation mechanics of lungs and chest in man”, Em: Journal of applied physiology, Volume 8, páginas 587-594.
Faceli, K., Lorena, A., Gama, J. e Carvalho, A. (2011) “Inteligência Artificial: uma Abordagem de Aprendizado de Máquina”, Editora LTC.
Hastie, T., Tibshirani, R. e Friedman, J. (2008) “The Elements of Statistical Learning: Data Mining, Inference and Prediction”, Em: Springer.
Huang, J. e Ling C. (2005) “Using AUC and Accuracy in Evaluating Learning Algorithms”, Em: IEEE Transaction Knowledge and Data Engineering, Volume 17, Número 3, páginas 299–310.
Liaw, A. e Wiener, M. (2002) “Classification and Regression by Random Forest”, Em: R. News, Volume 2/3, páginas 18–22.
Lima, A., Faria, A. e Lopes, A. (2010) “Técnica de oscilações forcadas na avaliação funcional de pacientes com fibrose cística com idade superior a 18 anos”, Em: Pulmão RJ.
Margineantu, D. e Dietterich, T. (1997) “Pruning Adaptive Boosting, Machine Learning”, Em: Proceedings of the Fourteenth International Conference, páginas 211-218, 1997.
Metz, C. (1978) “Basic Principles of ROC Analysis”, Em: Seminars in Nuclear Medicine, Volume 8, Número 4.
Publicado
20/04/2019
Como Citar
PINTO, Noemi da Paixão; DO AMARAL, Jorge Luís; DE MELO, Pedro Lopes.
Detecção de alterações respiratórias na fibrose cística com o uso de algoritmos de aprendizado de máquinas. In: ESCOLA REGIONAL DE INFORMÁTICA DO RIO DE JANEIRO (ERI-RJ), 3. , 2019, Niterói.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 5-8.
