Publicação
On the short-term prediction of Multiple Sclerosis disease progression
| Resumo: | A Esclerose Múltipla é uma doença inflamatória crónica do sistema nervoso central que leva à incapacitação dos doentes e tem também muitos impactos sociais e económicos. Os sintomas e a sua evolução variam muito de pessoa para pessoa. Por conseguinte, um componente crítico da gestão da doença é a previsão dos pacientes que irão transitar para o curso Secundário Progressivo (SP). Esta previsão precoce é uma abordagem promissora que permitiria a adoção de melhores estratégias de tratamento e uma gestão das expectativas do paciente mais realista. Apesar da evolução das técnicas de Machine Learning (ML) ao longo dos anos, até à data estes modelos de previsão do curso da doença ainda não atingiram a aplicabilidade clínica. Os principais fatores que limitam a sua utilização são a não-transparência dos resultados e consequente falta da garantia de confiança e segurança dos modelos. Nos últimos anos o conceito de explicabilidade ganhou um maior peso e atualmente diversos estudos concentram-se na transformação dos modelos de ML em modelos mais interpretáveis.No presente estudo foi utilizada a base de dados do serviço de Esclerose Múltipla do hospital de Sant’Andrea, de Roma, para prever se um paciente transitará para o curso SP numa janela temporal de 180, 360 ou 720 dias. Os modelos desenvolvidos por Seccia et al. (2021) foram parcialmente replicados e melhorados. Foram estudados dois cenários: o orientado para as visitas (VO), no qual foram utilizados os classificadores Random Forest (RF), Support Vector Machines (SVMs) linear e não-linear, k-nearest neighbours (KNN) e AdaBoost (AB) para prever considerando uma única visita; o orientado para a história clínica (HO), no qual se aplicou uma rede neuronal Long Short-Term Memory (LSTM) que considera o histórico de visitas do paciente para fazer a previsão.Os modelos de previsão obtiveram medidas de F1-score de 28 a 37% para o cenário VO e 71 a 77% para o cenário HO quando se utilizaram os datasets com o maior número de visitas. Estes resultados mostram que as redes neuronais LSTM prevêem eficazmente o curso SP quando se utilizam dados disponíveis na rotina clínica em maiores quantidades. Foram também aplicados diversos métodos de explicabilidade para gerar explicações sobre o comportamento global dos modelos de ML desenvolvidos e sobre previsões específicas para certos pacientes. As conclusões obtidas foram limitadas pela falta de conhecimento sobre o significado de cada característica. Ainda assim, as explicações mostraram que a escala de quantificação da condição neurológica (EDSS) é bastante relevante na classificação da progressão da doença. |
|---|---|
| Autores principais: | Vieira, Joana Sofia Baião |
| Assunto: | Esclerose Múltipla Machine Learning Progressão Previsão Explicabilidade Multiple Sclerosis Machine Learning Progression Prediction Explainability |
| Ano: | 2022 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Coimbra |
| Idioma: | inglês |
| Origem: | Estudo Geral - Universidade de Coimbra |
| Resumo: | A Esclerose Múltipla é uma doença inflamatória crónica do sistema nervoso central que leva à incapacitação dos doentes e tem também muitos impactos sociais e económicos. Os sintomas e a sua evolução variam muito de pessoa para pessoa. Por conseguinte, um componente crítico da gestão da doença é a previsão dos pacientes que irão transitar para o curso Secundário Progressivo (SP). Esta previsão precoce é uma abordagem promissora que permitiria a adoção de melhores estratégias de tratamento e uma gestão das expectativas do paciente mais realista. Apesar da evolução das técnicas de Machine Learning (ML) ao longo dos anos, até à data estes modelos de previsão do curso da doença ainda não atingiram a aplicabilidade clínica. Os principais fatores que limitam a sua utilização são a não-transparência dos resultados e consequente falta da garantia de confiança e segurança dos modelos. Nos últimos anos o conceito de explicabilidade ganhou um maior peso e atualmente diversos estudos concentram-se na transformação dos modelos de ML em modelos mais interpretáveis.No presente estudo foi utilizada a base de dados do serviço de Esclerose Múltipla do hospital de Sant’Andrea, de Roma, para prever se um paciente transitará para o curso SP numa janela temporal de 180, 360 ou 720 dias. Os modelos desenvolvidos por Seccia et al. (2021) foram parcialmente replicados e melhorados. Foram estudados dois cenários: o orientado para as visitas (VO), no qual foram utilizados os classificadores Random Forest (RF), Support Vector Machines (SVMs) linear e não-linear, k-nearest neighbours (KNN) e AdaBoost (AB) para prever considerando uma única visita; o orientado para a história clínica (HO), no qual se aplicou uma rede neuronal Long Short-Term Memory (LSTM) que considera o histórico de visitas do paciente para fazer a previsão.Os modelos de previsão obtiveram medidas de F1-score de 28 a 37% para o cenário VO e 71 a 77% para o cenário HO quando se utilizaram os datasets com o maior número de visitas. Estes resultados mostram que as redes neuronais LSTM prevêem eficazmente o curso SP quando se utilizam dados disponíveis na rotina clínica em maiores quantidades. Foram também aplicados diversos métodos de explicabilidade para gerar explicações sobre o comportamento global dos modelos de ML desenvolvidos e sobre previsões específicas para certos pacientes. As conclusões obtidas foram limitadas pela falta de conhecimento sobre o significado de cada característica. Ainda assim, as explicações mostraram que a escala de quantificação da condição neurológica (EDSS) é bastante relevante na classificação da progressão da doença. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.