Publication
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
| dc.contributor.advisor | Domingues, Nuno Alexandre Soares | |
| dc.contributor.advisor | Jorge, Pedro Miguel Torres Mendes | |
| dc.contributor.advisor | Bento, Luís | |
| dc.contributor.author | Galvão, Tiago Alexandre dos Santos | |
| dc.date.accessioned | 2024-01-24T15:19:06Z | |
| dc.date.available | 2024-01-24T15:19:06Z | |
| dc.date.issued | 2023 | |
| dc.description | Trabalho final de Mestrado para obtenção do grau de Mestre em Engenharia Biomédica | pt_PT |
| dc.description.abstract | A 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. | pt_PT |
| dc.description.abstract | 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. | |
| dc.description.version | N/A | pt_PT |
| dc.identifier.citation | 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 | pt_PT |
| dc.identifier.tid | 203457692 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/16984 | |
| dc.language.iso | por | pt_PT |
| dc.peerreviewed | yes | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_PT |
| dc.subject | ARDS | pt_PT |
| dc.subject | UCI | pt_PT |
| dc.subject | COVID-19 | pt_PT |
| dc.subject | Radiografia | pt_PT |
| dc.subject | Mortalidade | pt_PT |
| dc.subject | ARDS | |
| dc.subject | ICU | |
| dc.subject | COVID-19 | |
| dc.subject | X-ray | |
| dc.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 | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.awardURI | info:eu-repo/grantAgreement/FCT/3599-PPCDT/DSAIPA%2FDS%2F0117%2F2020/PT | |
| oaire.citation.conferencePlace | Lisboa, Instituto Superior de Engenharia de Lisboa | pt_PT |
| oaire.fundingStream | 3599-PPCDT | |
| project.funder.identifier | http://doi.org/10.13039/501100001871 | |
| project.funder.name | Fundação para a Ciência e a Tecnologia | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| relation.isProjectOfPublication | 8f80f51c-b563-49e2-9864-a2c78479fc19 | |
| relation.isProjectOfPublication.latestForDiscovery | 8f80f51c-b563-49e2-9864-a2c78479fc19 |