Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos

Detalhes bibliográficos
Autor(a) principal: Pereira, Marco António Pacheco
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.21/16535
Resumo: Trabalho final de Mestrado para obtenção do grau de Mestre em Engenharia Biomédica
id RCAP_659e4fe949ae914538cffb692bb96588
oai_identifier_str oai:repositorio.ipl.pt:10400.21/16535
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricosProvas de função respiratóriaEspirometria forçadaPletismografia corporal totalAprendizagem automáticaVolumes pulmonares estáticosHiperinsuflaçãoRestriçãoRespiratory function testsForced spirometryWhole body plethysmographyMachine learningStatic lung volumesHyperinflationRestrictionTrabalho final de Mestrado para obtenção do grau de Mestre em Engenharia BiomédicaDefinição do problema: A prova de função respiratória (PFR) mais acessível e utilizada atualmente é a espirometria. Contudo, é incapaz de medir os volumes pulmonares estáticos, essenciais para o diagnóstico de hiperinsuflação e de restrição pulmonar. As técnicas de aprendizagem automática (ML) têm ganho notoriedade no campo da medicina em grande parte graças à sua capacidade de prever ou classificar a partir de um grande número de exemplos já conhecidos. Objetivo: Aplicar modelos supervisionados de regressão para os volumes pulmonares não mobilizáveis e de classificação automática das suas alterações, através de parâmetros biológicos, antropométricos e espirométricos, com avaliação do seu desempenho. Metodologia: Estudo retrospetivo com 8140 PFR anonimizadas contendo dados biológicos, antropométricos, espirométricos e de pletismografia corporal total (PCT). Oito modelos foram utilizados para prever o valor absoluto, z score ou classificar a alteração ventilatória presente: regressão linear (LR), regressão logística (LogR), classificador Bayesiano (NB), k-nearest neighbors (kNN), support vector machines (SVM), redes neuronais (NN), florestas de árvores de decisão (RF) e extreme gradient boosting (XGboost). Após seleção das variáveis que providenciaram mais informação, os modelos foram submetidos à técnica de reamostragem 20-fold cross validation e o seu desempenho foi avaliado de acordo com o tipo problema em questão (regressão ou classificação). Resultados: Na amostra estudada, 66% dos indivíduos apresentaram volumes pulmonares estáticos sem alterações, sendo o air trapping a alteração mais prevalente (18,5%). Para a classificação da presença de air trapping e para a classificação da alteração na PCT, o modelo com melhor desempenho foi o XGboost, com uma área abaixo da curva receiver operating characteristic (AUC) de 0,881 e 0,874, respetivamente. Em termos de regressão, o algoritmo com melhor desempenho foi a LR, em que na previsão do volume residual (RV) obteve um R2 de 0,539. Para a capacidade pulmonar total (TLC) o R2 foi de 0,856 e para o RV/TLC o R2 foi de 0,752. A previsão do z score de RV/TLC apresentou um R2 de 0,442. O empilhamento de modelos não se mostrou como uma melhor abordagem em comparação com cada modelo utilizado individualmente.Conclusão: O desempenho dos modelos de regressão relativamente ao RV e ao z score de RV/TLC apresentaram resultados insuficientes. No entanto, a regressão para a TLC, para o RV/TLC e a classificação para identificação de air trapping e da alteração na PCT tiveram resultados qualitativamente bons, demonstrando a fiabilidade da associação entre a espirometria e a ML na previsão e classificação dos volumes pulmonares não mobilizáveis.Background: The most accessible and currently used respiratory function test (PFR) is spirometry, however it is unable to measure static lung volumes, essential to aid in the diagnosis of hyperinflation or lung restriction. Machine learning (ML) techniques have gained notoriety in the medical field largely due to their ability to predict or classify from a large number of already known examples. Aim: Apply supervised regression models for static lung volumes and automatic classification of their disorders, using biological, anthropometric and spirometric parameters, with evalutaion of model’s performance. Methodology: Retrospective study with 8140 anonymized PFRs containing biological, anthropometric, spirometric and total body plethysmography data. Eight models were used to predict the absolute value, z score or classify the ventilatory change: linear regression (LR), logistic regression (LogR), Bayesian classifier (NB), k-nearest neighbors (kNN), support vector machines (SVM), neural networks (NN), decision tree forests (RF) and extreme gradient boosting (XGboost). After selecting the variables that provided more information, the models were submitted to the resampling technique 20-fold cross validation and their performance was evaluated according to the type of problem in question (regression or classification). Results: In this sample, 66% of the individuals had static lung volumes without alterations, with air trapping being the most prevalent alteration (18.5%). For the classification of air trapping and for the classification of the plethysmographic disorder, the model with the best performance was the XGboost, with an area under the curve ROC (AUC) of 0.881 and 0.874, respectively. In terms of regression, the algorithm with the best performance was the LR, in which to predict the residual volume (RV) it obtained an R2 of 0.539. The total lung capacity (TLC) had an R2 of 0.856 and for the RV/TLC the R2 was 0.752. The RV/TLC z score prediction had an R2 of 0.442. Model stacking did not prove to be a better approach compared to each model used individually. Conclusion The performance of the regression models in relation to the RV and the z score of RV/TLC showed insufficient results. However, the regression for TLC, for RV/TLC and the classification to identify air trapping and the change in PCT had good results, demonstrating the reliability of the association between spirometry and LM in the prediction and classification of not mobilisable lung volumes.Ribeiro, Ricardo TeresaDias, Hermínia BritesRCIPLPereira, Marco António Pacheco2023-10-09T10:12:42Z20222022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.21/16535TID:203352688porPEREIRA, Marco António Pacheco - Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos. Lisboa: Instituto Superior de Engenharia de Lisboa, 2022. Dissertação de Mestrado.info: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:RCAAP2023-10-11T02:15:37Zoai:repositorio.ipl.pt:10400.21/16535Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T20:34:12.626793Repositório 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 Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos
title Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos
spellingShingle Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos
Pereira, Marco António Pacheco
Provas de função respiratória
Espirometria forçada
Pletismografia corporal total
Aprendizagem automática
Volumes pulmonares estáticos
Hiperinsuflação
Restrição
Respiratory function tests
Forced spirometry
Whole body plethysmography
Machine learning
Static lung volumes
Hyperinflation
Restriction
title_short Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos
title_full Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos
title_fullStr Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos
title_full_unstemmed Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos
title_sort Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos
author Pereira, Marco António Pacheco
author_facet Pereira, Marco António Pacheco
author_role author
dc.contributor.none.fl_str_mv Ribeiro, Ricardo Teresa
Dias, Hermínia Brites
RCIPL
dc.contributor.author.fl_str_mv Pereira, Marco António Pacheco
dc.subject.por.fl_str_mv Provas de função respiratória
Espirometria forçada
Pletismografia corporal total
Aprendizagem automática
Volumes pulmonares estáticos
Hiperinsuflação
Restrição
Respiratory function tests
Forced spirometry
Whole body plethysmography
Machine learning
Static lung volumes
Hyperinflation
Restriction
topic Provas de função respiratória
Espirometria forçada
Pletismografia corporal total
Aprendizagem automática
Volumes pulmonares estáticos
Hiperinsuflação
Restrição
Respiratory function tests
Forced spirometry
Whole body plethysmography
Machine learning
Static lung volumes
Hyperinflation
Restriction
description Trabalho final de Mestrado para obtenção do grau de Mestre em Engenharia Biomédica
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-01-01T00:00:00Z
2023-10-09T10:12:42Z
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 http://hdl.handle.net/10400.21/16535
TID:203352688
url http://hdl.handle.net/10400.21/16535
identifier_str_mv TID:203352688
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv PEREIRA, Marco António Pacheco - Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricos. Lisboa: Instituto Superior de Engenharia de Lisboa, 2022. Dissertação de Mestrado.
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_ 1799133608145846272

Registros relacionados