Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade

Detalhes bibliográficos
Autor(a) principal: Takáo, Marina Mayumi Vendrame, 1990-
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/10649
Resumo: Orientadores: Adriana Gut Lopes Riccetto, Marcos Tadeu Nolasco da Silva
id UNICAMP-30_a106069c654dec0565a481244ce12bef
oai_identifier_str oai::1341306
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidadeArtificial intelligence in allergology and immunology : development of risk prediction models for inborn errors of immunityInteligência artificialAprendizado de máquinaAlergia e imunologiaPediatriaDoenças da imunodeficiência primáriaArtificial intelligenceMachine learningAllergy and immunologyPediatricsPrimary immunodeficienciesOrientadores: Adriana Gut Lopes Riccetto, Marcos Tadeu Nolasco da SilvaTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências MédicasResumo: A digitalização é um fenômeno contemporâneo que se estende à área da saúde com velocidade cada vez maior, sendo a Inteligência Artificial (IA) uma de suas principais tecnologias. Dentre diversas aplicações, a IA tem sido utilizada como ferramenta para auxílio diagnóstico na prática médica. Os Erros inatos da imunidade (EII) correspondem a um grupo heterogêneo de doenças caracterizadas por defeitos do desenvolvimento e/ou funções do sistema imunológico. Atualmente, são subdiagnosticados, o que reflete no aumento de morbimortalidade dos pacientes e dos gastos do sistema de saúde. Há uma escassez de trabalhos abordando o uso da IA para triagem destas doenças. Frente a esta realidade, este estudo objetivou comparar a performance de modelos de predição de risco (três modelos baseados em Machine Learning (ML) e um modelo baseado em Regressões Logísticas (RL) para aferir a chance individual de um diagnóstico confirmado de EII em crianças sob suspeita de terem a doença, de acordo com o julgamento clínico de um médico clínico ou pediatra geral não especialista em Imunologia clínica. Dados de 128 indivíduos foram utilizados para construção das ferramentas de predição de risco. Variáveis com significância estatística foram: anemia, leucopenia, neutropenia e linfopenia, baixos níveis séricos de imunoglobulinas A/G/M e níveis séricos aumentados de imunoglobulina E. Diferentes preditores de risco foram identificados, de acordo com o algoritmo aplicado. Os modelos de ML apresentaram melhor performance do que RLs em geral – especialmente o modelo de ML que utiliza o modelo de regressão estatística com construção de árvores de decisão Random Forest; os dados assim obtidos foram analisados utilizando-se a curva ROC (Receiver Operator Characteristic Curve) quanto aos valores localizados abaixo da curva – AUC (area under the ROC-curve) (ROC AUC 0,88, IC 95% 0,76 – 0,99). Este modelo demonstrou superioridade em quase todas as métricas (acurácia, sensibilidade e valor preditivo negativo). O alto poder preditivo de modelos de ML pode representar um recurso para auxiliar no diagnóstico de EII, promovendo melhores desfechosAbstract: The digitalization is a contemporary phenomenon that is being fastly extended to healthcare, and Artificial Intelligence (AI) represents one of its main technologies. Among several applications, AI has been used as a tool to help doctors on the diagnostic of diseases. Inborn errors of immunity (IEI) are a heterogeneous group of diseases characterized by defects in the immune system development and/or function. They are currently underdiagnosed, which leads to increased morbimortality and greater expenses for healthcare system. Studies approaching the use of AI to screen IEIs are scarce. In face of this reality, the objective of this study is to compare the performance of risk prediction models (3 machine learning (ML) and Logistic Regressions (LRs) models) to measure the individual chance of a confirmed diagnosis of IEI in children with suspected disorder, according to the general pediatrician/clinician (non-immunologist) judgement. Clinical and laboratory data of 128 individuals were used to derive the risk prediction tools. Variables with statistical significance were anemia, leucopenia, neutropenia and lymphopenia, low levels of immunoglobulins A/G/M and increased levels of immunoglobulin E. Different risk predictors were identified, according to the algorithm applied. ML models performed better than LRs overall – especially ML Random Forest model, which uses the statistical regression model with the construction of decision trees; the data thus obtained were analyzed using the ROC-curve (Receiver Operator Characteristic Curve) regarding the values located below the curve - AUC (Area under the ROC-curve) (ROC AUC 0.88, 95%, CI 0.76 - 0.99). This model was superior on almost all the metrics (accuracy, sensitivity and negative Predictive value). The enhanced predictive power that ML models may provide could be a resource to help achieve the diagnostic of IEI, therefore providing better healthcare outcomesDoutoradoSaúde da Criança e do AdolescenteDoutora em Ciências[s.n.]Riccetto, Adriana Gut Lopes, 1965-Silva, Marcos Tadeu Nolasco da, 1960-Vasconcelos, Dewton de MoraesFraga, Andrea de Melo AlexandreLomazi, Elizete MariaUniversidade Estadual de Campinas (UNICAMP). Faculdade de Ciências MédicasPrograma de Pós-Graduação em Saúde da Criança e do AdolescenteUNIVERSIDADE ESTADUAL DE CAMPINASTakáo, Marina Mayumi Vendrame, 1990-20232023-04-25T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (77 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/10649TAKÁO, Marina Mayumi Vendrame. Inteligência artificial em alergologia e imunologia: desenvolvimento de modelos de predição de risco para erros inatos da imunidade. 2023. 1 recurso online (77 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/10649. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1341306porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-06-27T11:29:46Zoai::1341306Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-06-27T11:29:46Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade
Artificial intelligence in allergology and immunology : development of risk prediction models for inborn errors of immunity
title Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade
spellingShingle Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade
Takáo, Marina Mayumi Vendrame, 1990-
Inteligência artificial
Aprendizado de máquina
Alergia e imunologia
Pediatria
Doenças da imunodeficiência primária
Artificial intelligence
Machine learning
Allergy and immunology
Pediatrics
Primary immunodeficiencies
title_short Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade
title_full Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade
title_fullStr Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade
title_full_unstemmed Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade
title_sort Inteligência artificial em alergologia e imunologia : desenvolvimento de modelos de predição de risco para erros inatos da imunidade
author Takáo, Marina Mayumi Vendrame, 1990-
author_facet Takáo, Marina Mayumi Vendrame, 1990-
author_role author
dc.contributor.none.fl_str_mv Riccetto, Adriana Gut Lopes, 1965-
Silva, Marcos Tadeu Nolasco da, 1960-
Vasconcelos, Dewton de Moraes
Fraga, Andrea de Melo Alexandre
Lomazi, Elizete Maria
Universidade Estadual de Campinas (UNICAMP). Faculdade de Ciências Médicas
Programa de Pós-Graduação em Saúde da Criança e do Adolescente
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Takáo, Marina Mayumi Vendrame, 1990-
dc.subject.por.fl_str_mv Inteligência artificial
Aprendizado de máquina
Alergia e imunologia
Pediatria
Doenças da imunodeficiência primária
Artificial intelligence
Machine learning
Allergy and immunology
Pediatrics
Primary immunodeficiencies
topic Inteligência artificial
Aprendizado de máquina
Alergia e imunologia
Pediatria
Doenças da imunodeficiência primária
Artificial intelligence
Machine learning
Allergy and immunology
Pediatrics
Primary immunodeficiencies
description Orientadores: Adriana Gut Lopes Riccetto, Marcos Tadeu Nolasco da Silva
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-04-25T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/10649
TAKÁO, Marina Mayumi Vendrame. Inteligência artificial em alergologia e imunologia: desenvolvimento de modelos de predição de risco para erros inatos da imunidade. 2023. 1 recurso online (77 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/10649. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/10649
identifier_str_mv TAKÁO, Marina Mayumi Vendrame. Inteligência artificial em alergologia e imunologia: desenvolvimento de modelos de predição de risco para erros inatos da imunidade. 2023. 1 recurso online (77 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/10649. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1341306
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (77 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189190658686976

Registros relacionados