Clinical decision support using machine learning: Parkinsonism and Fabry Disease
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | https://hdl.handle.net/1822/89160 |
Resumo: | Dissertação de mestrado integrado em Industrial Electronics and Computers Engineering |
id |
RCAP_48d63af634a1684b1cc6a406bb710a07 |
---|---|
oai_identifier_str |
oai:repositorium.sdum.uminho.pt:1822/89160 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Clinical decision support using machine learning: Parkinsonism and Fabry DiseaseParkinsonismoDoença de FabryAprendizagem automáticaDados cardíacosMarchaParkinsonismFabry DiseaseMachine learningCardiac dataGaitEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado integrado em Industrial Electronics and Computers EngineeringParkinsonismo Vascular (PVa), doença de Parkinson Idiopática (DPI), duas doenças associadas com Parkinsonismo, e a doença de Fabry (DF) foram investigadas usando métodos estatísticos e de aprendizagem automática (AP). O diagnóstico destas doenças é atualmente um grande desafio devido à enorme variação fenotípica e à sobreposição de fenótipos. De facto, existe um atraso considerável entre as primeiras manifestações destas doenças e o correto diagnóstico clínico. A investigação de biomarcadores capazes de assistir o atempado e correto diagnóstico de DF, PVa e DPI é extremamente importante. O objetivo deste estudo é avaliar a aptidão de métodos de AP quando utilizados para diagnosticar estas doenças. Foram utilizados sensores vestíveis para obter dados da marcha de 15 pacientes com DPI, 14 pacientes com PVa, 36 pacientes com DF e 36 controlos. Foram também obtidos dados cardíacos e neu rológicos de 95 pacientes de DF. Com base nos dados da marcha várias tarefas de classificação binárias foram realizadas utilizando seis métodos supervisionados de AP: Support Vector Machines (SVMs), Random Forests (RFs), Multiple Layer Perceptrons (MLPs), Deep Belief Networks (DBNs), Long Short-Term Memory (LSTM) and Convolutional Neural Networks (CNNs). Foram aplicados métodos de clustering para identificar subgrupos homogéneos de: 1) pacientes com Parkinsonismo (DPI e PVa) usando os dados de marcha e 2) pacientes com DF usando os dados cardíacos. Todas as tarefas de classificação baseadas nos dados da marcha obtiveram ótimos resultados, destacando-se as SVMs e CNNs. Estes métodos deram provas da sua eficácia e precisão como ferramentas auxiliares capazes de assistir no processo de diagnóstico destas doenças. A análise de subgrupos homogéneos de pacientes que sofrem de Parkinsonismo revelou que PVa apresenta os padrões de marcha mais afetados. A análise de subgrupos homogéneos de pacientes com FD identificou que pacientes com manifestações cardíacas severas são mais suscetíveis a manifestações neurológicas. Os padrões de marcha de pacientes com DF revelaram também um potencial desenvolvimento de Parkinsonismo. Esta dissertação contribuiu para o desenvolvimento de ferramentas capazes de auxiliar no processo diagnóstico e avaliação clínica de DVa, DPI e FD, estas ferramentas facilitam um prévio e correto diagnóstico destas doenças, possibilitam um melhor tratamento e uma melhor qualidade de vida aos pacientes.Vascular Parkinsonism (VaP), Idiopathic Parkinson’s Disease (IPD), which are two diseases associated with Parkinsonism, and Fabry Disease (FD) were investigated with the support of different statistical and machine learning methods. Diagnosis of these diseases remains a challenge mostly due to phenotipical variability and highly overlapping phenotypes, with considerable delay between onset and clinical diagnosis. Additionally, growing evidence linking Parkinsonism with FD has been reported recently. It is then of extreme importance to explore biomarkers capable of assisting the early and correct diagnosis of FD, VaP, and IPD. The aim of this study is to evaluate the effectiveness of machine learning strategies when applied to the diagnosis of these disorders. Wearable sensors positioned on both feet were used to acquire gait data from 15 IPD patients, 14 VaP patients, 36 FD patients, and 34 control subjects. Cardiac and neurological evaluations were also collected from 95 FD patients. Based on gait data, various binary comparative classification analysis were performed by applying six supervised machine learning algorithms: Support Vector Machines (SVMs), Random Forests (RFs), Multiple Layer Perceptrons (MLPs), Deep Belief Networks (DBNs), Long Short Term Memory (LSTM) and Convolutional Neural Networks (CNNs). Clustering methods were applied to identify homogeneous subgroups of: 1) patients with Parkinsonism (IPD and VaP) based on gait data and 2) FD patients based on cardiac data. All classification analysis based on gait data achieved very good results, especially SVMs and CNNs. These classifiers have proven to be very reliable and accurate assistance tools for the diagnosis of these disorders. The Parkinsonism subgroup analysis revealed that the most impaired gait patterns are mainly displayed by VaP patients. The FD subgroup analysis identified that patients with severe cardiac manifes tations also display neurological impairments. The gait patterns of FD patients also revealed interesting results suggesting the potential development of Parkinsonism. This dissertation contributed to the development of clinical diagnostic and evaluation tools of FD, IPD, and VaP, to facilitate the early and correct diagnosis of these diseases, leading to better treatment and improvement of the quality of life of patients.Gostava também de agradecer imenso ao projeto onde este trabalho se integra, NORTE-01-0145- FEDER- 000026 (DeM-Deus Ex Machina) financiados por NORTE2020 e FEDER.Bicho, EstelaFerreira, Flora José RochaGago, Miguel Albino Silva FernandesAzevedo, OlgaUniversidade do MinhoFernandes, Carlos Rafael Moreira2019-11-182019-11-18T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/89160eng202450791info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-03-02T01:19:33Zoai:repositorium.sdum.uminho.pt:1822/89160Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:11:45.363764Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Clinical decision support using machine learning: Parkinsonism and Fabry Disease |
title |
Clinical decision support using machine learning: Parkinsonism and Fabry Disease |
spellingShingle |
Clinical decision support using machine learning: Parkinsonism and Fabry Disease Fernandes, Carlos Rafael Moreira Parkinsonismo Doença de Fabry Aprendizagem automática Dados cardíacos Marcha Parkinsonism Fabry Disease Machine learning Cardiac data Gait Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Clinical decision support using machine learning: Parkinsonism and Fabry Disease |
title_full |
Clinical decision support using machine learning: Parkinsonism and Fabry Disease |
title_fullStr |
Clinical decision support using machine learning: Parkinsonism and Fabry Disease |
title_full_unstemmed |
Clinical decision support using machine learning: Parkinsonism and Fabry Disease |
title_sort |
Clinical decision support using machine learning: Parkinsonism and Fabry Disease |
author |
Fernandes, Carlos Rafael Moreira |
author_facet |
Fernandes, Carlos Rafael Moreira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Bicho, Estela Ferreira, Flora José Rocha Gago, Miguel Albino Silva Fernandes Azevedo, Olga Universidade do Minho |
dc.contributor.author.fl_str_mv |
Fernandes, Carlos Rafael Moreira |
dc.subject.por.fl_str_mv |
Parkinsonismo Doença de Fabry Aprendizagem automática Dados cardíacos Marcha Parkinsonism Fabry Disease Machine learning Cardiac data Gait Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Parkinsonismo Doença de Fabry Aprendizagem automática Dados cardíacos Marcha Parkinsonism Fabry Disease Machine learning Cardiac data Gait Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
Dissertação de mestrado integrado em Industrial Electronics and Computers Engineering |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-11-18 2019-11-18T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/1822/89160 |
url |
https://hdl.handle.net/1822/89160 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
202450791 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799137767425310720 |