Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/178982 |
Resumo: | Objetivos: Identificar os preditores de heterogeneidade cognitiva nos sujeitos com Transtorno Bipolar (TB). Métodos: Foi recrutado 142 sujeitos com TB em atendimento ambulatorial e 100 voluntários sem transtornos psiquiátricos do Brasil e da Espanha para realizar avaliação neuropsicológica. Foi realizado Análise de Cluster Hierárquica e Análise de Função Discriminante para determinar e confirmar os subgrupos cognitivos. Por fim, foi usado o algoritmo Classification and Regression Tree (CART) para identificar os preditores dos subgrupos cognitivos anteriormente estabelecidos. Resultados: Foi observado a presença de três clusters cognitivos: indivíduos cognitivamente intacto (38%), seletivamente prejudicados (38%) e globalmente prejudicados (21%). Os preditores mais importantes foram anos de educação, anos de doença, número de hospitalizações, idade e idade de início. Conclusão: Os resultados corroboram com recentes achados sobre a heterogeneidade cognitiva nos sujeitos com TB. Além disso, os presentes achados indicam uma sobreposição entre aspectos neurodesenvolvimentais e história de doença. |
id |
URGS_7d533d353b2157880cc3dc32be19bcd3 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/178982 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Ponte, Francisco Diego Rabelo daKunz, Maurício2018-05-31T02:28:25Z2018http://hdl.handle.net/10183/178982001064170Objetivos: Identificar os preditores de heterogeneidade cognitiva nos sujeitos com Transtorno Bipolar (TB). Métodos: Foi recrutado 142 sujeitos com TB em atendimento ambulatorial e 100 voluntários sem transtornos psiquiátricos do Brasil e da Espanha para realizar avaliação neuropsicológica. Foi realizado Análise de Cluster Hierárquica e Análise de Função Discriminante para determinar e confirmar os subgrupos cognitivos. Por fim, foi usado o algoritmo Classification and Regression Tree (CART) para identificar os preditores dos subgrupos cognitivos anteriormente estabelecidos. Resultados: Foi observado a presença de três clusters cognitivos: indivíduos cognitivamente intacto (38%), seletivamente prejudicados (38%) e globalmente prejudicados (21%). Os preditores mais importantes foram anos de educação, anos de doença, número de hospitalizações, idade e idade de início. Conclusão: Os resultados corroboram com recentes achados sobre a heterogeneidade cognitiva nos sujeitos com TB. Além disso, os presentes achados indicam uma sobreposição entre aspectos neurodesenvolvimentais e história de doença.Objective: We aimed to determine predictors of cognitive heterogeneity in subjects with Bipolar Disorder (BD). Methods: We recruited 142 outpatients with Bipolar Disorder and 100 unaffected volunteers from Brazil and Spain that underwent a neuropsychological assessment. We performed Hierarchical Cluster Analysis and Discriminant Function Analysis to identify and validate cognitive subgroups, respectively. Then, we used Classification and Regression Tree (CART) algorithm to determine predictors of the cognitive clusters. Results: We identified three cognitive clusters in BD: intact (38%), selectively impaired (38%), and globally impaired subjects (21%). The most important predictors of cognitive subgroups were years of education, years of disease, the number of hospitalizations, age, and age of onset, respectively. Conclusion: These results corroborate with recent findings of neuropsychological heterogeneity in Bipolar Disorder. Furthermore, the present findings suggest overlapping between neurodevelopmental and morbid aspects.application/pdfporTranstorno bipolarCogniçãoAprendizado de máquinaBipolar DisorderDecision treeCluster analysisCognitive heterogeneityPreditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulFaculdade de MedicinaPrograma de Pós-Graduação em Psiquiatria e Ciências do ComportamentoPorto Alegre, BR-RS2018mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001064170.pdf.txt001064170.pdf.txtExtracted Texttext/plain108147http://www.lume.ufrgs.br/bitstream/10183/178982/2/001064170.pdf.txt258a604b88508e3b82b9baf045b84a39MD52ORIGINAL001064170.pdf001064170.pdfTexto completoapplication/pdf1337396http://www.lume.ufrgs.br/bitstream/10183/178982/1/001064170.pdf04901929eb4291ea0eecf7b8932234b1MD5110183/1789822022-07-06 04:58:16.013257oai:www.lume.ufrgs.br:10183/178982Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-07-06T07:58:16Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning |
title |
Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning |
spellingShingle |
Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning Ponte, Francisco Diego Rabelo da Transtorno bipolar Cognição Aprendizado de máquina Bipolar Disorder Decision tree Cluster analysis Cognitive heterogeneity |
title_short |
Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning |
title_full |
Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning |
title_fullStr |
Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning |
title_full_unstemmed |
Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning |
title_sort |
Preditores de heterogeneidade cognitiva no transtorno bipolar : uma abordagem machine-learning |
author |
Ponte, Francisco Diego Rabelo da |
author_facet |
Ponte, Francisco Diego Rabelo da |
author_role |
author |
dc.contributor.author.fl_str_mv |
Ponte, Francisco Diego Rabelo da |
dc.contributor.advisor1.fl_str_mv |
Kunz, Maurício |
contributor_str_mv |
Kunz, Maurício |
dc.subject.por.fl_str_mv |
Transtorno bipolar Cognição Aprendizado de máquina |
topic |
Transtorno bipolar Cognição Aprendizado de máquina Bipolar Disorder Decision tree Cluster analysis Cognitive heterogeneity |
dc.subject.eng.fl_str_mv |
Bipolar Disorder Decision tree Cluster analysis Cognitive heterogeneity |
description |
Objetivos: Identificar os preditores de heterogeneidade cognitiva nos sujeitos com Transtorno Bipolar (TB). Métodos: Foi recrutado 142 sujeitos com TB em atendimento ambulatorial e 100 voluntários sem transtornos psiquiátricos do Brasil e da Espanha para realizar avaliação neuropsicológica. Foi realizado Análise de Cluster Hierárquica e Análise de Função Discriminante para determinar e confirmar os subgrupos cognitivos. Por fim, foi usado o algoritmo Classification and Regression Tree (CART) para identificar os preditores dos subgrupos cognitivos anteriormente estabelecidos. Resultados: Foi observado a presença de três clusters cognitivos: indivíduos cognitivamente intacto (38%), seletivamente prejudicados (38%) e globalmente prejudicados (21%). Os preditores mais importantes foram anos de educação, anos de doença, número de hospitalizações, idade e idade de início. Conclusão: Os resultados corroboram com recentes achados sobre a heterogeneidade cognitiva nos sujeitos com TB. Além disso, os presentes achados indicam uma sobreposição entre aspectos neurodesenvolvimentais e história de doença. |
publishDate |
2018 |
dc.date.accessioned.fl_str_mv |
2018-05-31T02:28:25Z |
dc.date.issued.fl_str_mv |
2018 |
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/10183/178982 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001064170 |
url |
http://hdl.handle.net/10183/178982 |
identifier_str_mv |
001064170 |
dc.language.iso.fl_str_mv |
por |
language |
por |
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:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/178982/2/001064170.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/178982/1/001064170.pdf |
bitstream.checksum.fl_str_mv |
258a604b88508e3b82b9baf045b84a39 04901929eb4291ea0eecf7b8932234b1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085442043772928 |