Browsing by Author "Pereira, Marco António Pacheco"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Previsão de volumes pulmonares não mobilizáveis com base em parâmetros espirométricosPublication . Pereira, Marco António Pacheco; Ribeiro, Ricardo Teresa; Dias, Hermínia BritesDefinição 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.