Unsupervised learning models for patient stratification in ALS

Detalhes bibliográficos
Autor(a) principal: Castilho, Carolina da Silva
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/59174
Resumo: Tese de Mestrado, Ciência de Dados, 2022, Universidade de Lisboa, Faculdade de Ciências
id RCAP_773ad8b17b4656c6c2786f4a4c6c807b
oai_identifier_str oai:repositorio.ul.pt:10451/59174
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Unsupervised learning models for patient stratification in ALSEsclerose Lateral AmiotróficaAprendizagem não-supervisionadaEstratificação de PacientesVentilação não-invasivaModelos de PrognósticoTeses de mestrado - 2022Domínio/Área Científica::Ciências Naturais::Ciências da Computação e da InformaçãoTese de Mestrado, Ciência de Dados, 2022, Universidade de Lisboa, Faculdade de CiênciasAmyotrophic Lateral Sclerosis (ALS) is an incurable neurodegenerative disease characterized by the progressive loss of motor neurons. The patients affected by this disease usually die in a range from 3 to 10 years since the first symptoms, usually due to respiratory insufficiency. Since there is no cure to this disease, anything that can somehow slow the disease progression is of great use. Non-Invasive Assisted Ventilation (NIV) is known to slow the progression of respiratory symptoms, and so multiple studies have been done in this field. However, ALS is known for being very heterogeneous, which is an obstacle for the development of treatments that suit all the patients. Because of this, we propose a patient stratification technique based on unsupervised learning techniques, so that the patients can be divided into homogeneous groups, facilitating the development of specialized treatments and prognostic models. We used data from two different cohorts composed by demographic and clinical information of ALS patients and preprocessed it in order to obtain patient snapshots, that represent the patient condition at a given time. The proposed methodology consists of the application of a dimensionaliy reduction technique named Uniform Manifold Approximation and Projection for Dimension Reduction (UMAP) to reduce the space and accentuate the clusters by preserving the local structure of the data. Afterwards, a hierarchical clustering algorithm was applied to obtain groups of patients with similar characteristics. Hence, we were able to identify four different stages of the disease and to characterize them according to ALSFRS-R subscores, as well as analyse the evolution of the patients of each one of these stages from the first to the second appointment. Besides this, it was possible to improve the results of prognostic models, applied to data that were not stratified, for some of the groups for three time windows considered (365, 548, and 730 days).Tomás, Helena Isabel Aidos LopesRepositório da Universidade de LisboaCastilho, Carolina da Silva202220222024-11-30T00:00:00Z2022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/59174enginfo:eu-repo/semantics/embargoedAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T17:08:10Zoai:repositorio.ul.pt:10451/59174Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:09:08.981921Repositório 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 Unsupervised learning models for patient stratification in ALS
title Unsupervised learning models for patient stratification in ALS
spellingShingle Unsupervised learning models for patient stratification in ALS
Castilho, Carolina da Silva
Esclerose Lateral Amiotrófica
Aprendizagem não-supervisionada
Estratificação de Pacientes
Ventilação não-invasiva
Modelos de Prognóstico
Teses de mestrado - 2022
Domínio/Área Científica::Ciências Naturais::Ciências da Computação e da Informação
title_short Unsupervised learning models for patient stratification in ALS
title_full Unsupervised learning models for patient stratification in ALS
title_fullStr Unsupervised learning models for patient stratification in ALS
title_full_unstemmed Unsupervised learning models for patient stratification in ALS
title_sort Unsupervised learning models for patient stratification in ALS
author Castilho, Carolina da Silva
author_facet Castilho, Carolina da Silva
author_role author
dc.contributor.none.fl_str_mv Tomás, Helena Isabel Aidos Lopes
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Castilho, Carolina da Silva
dc.subject.por.fl_str_mv Esclerose Lateral Amiotrófica
Aprendizagem não-supervisionada
Estratificação de Pacientes
Ventilação não-invasiva
Modelos de Prognóstico
Teses de mestrado - 2022
Domínio/Área Científica::Ciências Naturais::Ciências da Computação e da Informação
topic Esclerose Lateral Amiotrófica
Aprendizagem não-supervisionada
Estratificação de Pacientes
Ventilação não-invasiva
Modelos de Prognóstico
Teses de mestrado - 2022
Domínio/Área Científica::Ciências Naturais::Ciências da Computação e da Informação
description Tese de Mestrado, Ciência de Dados, 2022, Universidade de Lisboa, Faculdade de Ciências
publishDate 2022
dc.date.none.fl_str_mv 2022
2022
2022-01-01T00:00:00Z
2024-11-30T00:00:00Z
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 http://hdl.handle.net/10451/59174
url http://hdl.handle.net/10451/59174
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/embargoedAccess
eu_rights_str_mv embargoedAccess
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_ 1799134647363305472

Registros relacionados