Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos

Detalhes bibliográficos
Autor(a) principal: Galvão, Tiago Alexandre dos Santos
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.21/16984
Resumo: Trabalho final de Mestrado para obtenção do grau de Mestre em Engenharia Biomédica
id RCAP_a48737ffecd8a5287998475fdf90dade
oai_identifier_str oai:repositorio.ipl.pt:10400.21/16984
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicosARDSUCICOVID-19RadiografiaMortalidadeARDSICUCOVID-19X-rayTrabalho final de Mestrado para obtenção do grau de Mestre em Engenharia BiomédicaA síndrome da dificuldade respiratória aguda associada à COVID-19 (ARDS-COV19), é uma síndrome pulmonar grave que resulta em insuficiência respiratória aguda. A ARDS é complexa e heterogénea, exigindo frequentemente ventilação mecânica invasiva (VMI) em unidades de cuidados intensivos (UCI). A identificação de grupos de risco é crucial para a medicina de precisão, embora a falta de métodos de diagnóstico seja limitativo. A radiografia torácica é um exame imagiológico, qualitativo e acessível, utilizado na rotina das UCIs. É essencial o desenvolvimento de um classificador multivariado e quantitativo, baseado em radiomics, para a previsão da mortalidade destes doentes sob VMI. Para este efeito foram incluídos 110 doentes ARDS-COV19 de uma UCI, com uma idade média de 63,2 ± 11,92 anos, sendo 61,2% do sexo masculino. A mortalidade foi de 47,3%. Radiografias do 1º e 3º dia de VMI foram recolhidas, pré-processadas e concatenadas. Características de deep learning foram então extraídas, utilizando uma rede neuronal convolucional pré-treinada (CheXnet). Estas características foram acopladas a variáveis clínicas (VC), para a construção de dois modelos de aprendizagem automática, um de regressão logística (LogReg) e um perceptrão multicamada (MLP). A idade, a razão PaO2/FiO2 do 3º dia de VMI e uma característica de imagem (DLF_258) foram utilizadas nos modelos finais. Os modelos que incluíram a DLF_258, apresentaram 89% (LogReg) e 82% (MLP) de probabilidade de terem melhor exatidão, do que os modelos de VC. No grupo de teste interno (23 doentes), o modelo de LogReg obteve os melhores resultados e menor overfitting, com uma área under the ROC curve (AUC) de 0,862 95%CI [0.654, 0.969], uma exatidão de 0,783 95%CI [0.563, 0.926] e um score de F1 de 0,783 95%CI [0.563, 0.926]. Apesar dos resultados promissores, o número de amostras foi reduzido, não existindo um teste externo. A recolha de dados e posterior validação são assim essenciais.Acute respiratory distress syndrome associated with COVID-19 (ARDS-COV19) is a severe pulmonary syndrome leading to acute respiratory failure. ARDS is complex and heterogeneous, with patients frequently needing invasive mechanical ventilation (IMV) in intensive care units (ICUs). The identification of risk groups is crucial for precision medicine, although the lack of diagnostic methods can be limiting. Chest radiography is a qualitative and accessible imaging examination routinely used in ICU settings. The development of a multivariate and quantitative classifier based on radiomics is essential for predicting the mortality of patients under IMV. For this purpose, 110 ARDS-COV19 patients from an ICU, with an average age of 63.2 ± 11.92 years, of whom 61.2% were male, were included. The mortality rate was 47.3%. Chest X-rays from the 1st and 3rd days of IMV were collected, pre-processed, and concatenated. Deep learning features were then extracted using a pre-trained convolutional neural network (CheXnet). These features were combined with clinical variables (CV) to build two machine learning models: a logistic regression model (LogReg) and a multilayer perceptron (MLP). Age, the PaO2/FiO2 ratio on the 3rd day of IMV, and an image feature (DLF_258) were used in the final models. The models that included DLF_258 showed 89% (LogReg) and 82% (MLP) probability of having better accuracy than CV models. In the internal test group (23 patients), the LogReg model achieved the best results with lower overfitting, providing an area under the ROC curve (AUC) of 0.862, 95% CI [0.654, 0.969], an accuracy of 0.783, 95% CI [0.563, 0.926], and an F1 score of 0.783, 95% CI [0.563, 0.926]. Despite promising results, the sample size was limited, and external testing is lacking. Therefore, data collection and subsequent validation are essential.Domingues, Nuno Alexandre SoaresJorge, Pedro Miguel Torres MendesBento, LuísRCIPLGalvão, Tiago Alexandre dos Santos2024-01-24T15:19:06Z20232023-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.21/16984TID:203457692porGalvão, Tiago Alexandre dos Santos - Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos. Lisboa: Instituto Superior de Engenharia de Lisboa, 2023. Dissertação de Mestradoinfo: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:RCAAP2024-01-31T02:16:14Zoai:repositorio.ipl.pt:10400.21/16984Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T01:59:13.835352Repositório 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 automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
title Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
spellingShingle Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
Galvão, Tiago Alexandre dos Santos
ARDS
UCI
COVID-19
Radiografia
Mortalidade
ARDS
ICU
COVID-19
X-ray
title_short Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
title_full Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
title_fullStr Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
title_full_unstemmed Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
title_sort Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
author Galvão, Tiago Alexandre dos Santos
author_facet Galvão, Tiago Alexandre dos Santos
author_role author
dc.contributor.none.fl_str_mv Domingues, Nuno Alexandre Soares
Jorge, Pedro Miguel Torres Mendes
Bento, Luís
RCIPL
dc.contributor.author.fl_str_mv Galvão, Tiago Alexandre dos Santos
dc.subject.por.fl_str_mv ARDS
UCI
COVID-19
Radiografia
Mortalidade
ARDS
ICU
COVID-19
X-ray
topic ARDS
UCI
COVID-19
Radiografia
Mortalidade
ARDS
ICU
COVID-19
X-ray
description Trabalho final de Mestrado para obtenção do grau de Mestre em Engenharia Biomédica
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-01-01T00:00:00Z
2024-01-24T15:19:06Z
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/10400.21/16984
TID:203457692
url http://hdl.handle.net/10400.21/16984
identifier_str_mv TID:203457692
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Galvão, Tiago Alexandre dos Santos - Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos. Lisboa: Instituto Superior de Engenharia de Lisboa, 2023. 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_ 1799137076137951232

Registros relacionados