Aplicação de redes neurais artificiais em transplantes renais: classificação de nefrotoxicidade e rejeição celular aguda

Aplicação de redes neurais artificiais em transplantes renais: classificação de nefrotoxicidade e rejeição celular aguda

Título alternativo Application of Artificial Neural Networks in Kidney Transplantation: Classification of Nephrotoxicity and Acute Cellular Rejection
Autor Maciel, Rafael Fabio Autor UNIFESP Google Scholar
Orientador Pisa, Ivan Torres Autor UNIFESP Google Scholar
Instituição Universidade Federal de São Paulo (UNIFESP)
Resumo BACKGROUND: Complications associated with kidney transplantation and immunosuppression can be prevented or treated effectively if diagnosed in early stages with monitoring post-transplant. OBJECTIVE: To present the results of comparison of automatic pattern classifiers using different techniques of artificial intelligence to predict events of nephrotoxicity and acute cellular rejection (RCA), with up to one year of renal transplantation METHODS: Statistical tests were performed on the prevalence and linear regression in variables regarding nephrotoxicity and RCA. We used different classifiers (neural networks, support vector machines (SVM), decision trees, Bayesian inference, and closest neighbors) in order to provide RCA and nephrotoxicity. The classifiers were evaluated according to the value of sensitivity, specificity and area under ROC curve (AUC). RESULTS: The prevalence of acute cellular rejection was 31.0% and 26.9% of nephrotoxicity. The technique had the highest sensitivity value prediction for the submission to the transplanted kidney biopsy was SVM (LIBSVM algorithm) with sensitivity rates of 0.87 (accuracy rate 79.86; specificity 0.70; AUC 0.79). The technique had the highest AUC for predicting nephrotoxicity and RCA was bayesian inference (NaiveBayes), with AUC rates of 0.8 (accuracy rate 75.92). CONCLUSION: The results are encouraging, with rates of trial and error consistent with the determination of acute cellular rejection and nephrotoxicity.

INTRODUÇÃO: Complicações associadas ao transplante de rim e imunossupressão podem ser prevenidas ou tratadas efetivamente quando são diagnosticadas em fases iniciais com o monitoramento pós-transplante. OBJETIVO: Apresentar resultados da comparação de classificadores automáticos de padrões utilizando diferentes técnicas de inteligência artificial para prever eventos de nefrotoxicidade e rejeição celular aguda (RCA) com até um ano após o transplante renal. MÉTODOS: Foram analisados dados de 135 prontuários de pacientes submetidos a transplante renal no período de fevereiro de 2006 a junho de 2010 e realizados testes estatísticos de incidência e regressão logística nas variáveis em relação à nefrotoxicidade e RCA. Foram utilizados diferentes classificadores: redes neurais, support vector machines (SVM), árvores de decisão, inferência bayesiana e vizinhos mais próximos, com o objetivo de prever RCA e nefrotoxicidade. Os classificadores foram avaliados segundo o valor de sensibilidade, especificidade e área sob a curva ROC (AUC). RESULTADOS: A incidência de RCA foi de 31,0% e de nefrotoxicidade de 26,9%. A técnica que apresentou o melhor valor de sensibilidade para prever se há nefrotoxicidade ou RCA foi a SVM (algoritmo LIBSVM) com sensibilidade 0,87 (taxa de acerto 79,86%; especificidade 0,70; AUC 0,79). A técnica que apresentou o melhor valor de AUC para prever nefrotoxicidade ou RCA foi a de inferência bayesiana (algoritmo NaiveBayes) com AUC 0,80 (taxa de acerto 75,92%). CONCLUSÃO: Os resultados são animadores, com taxas de erro e acerto condizentes com a determinação de rejeição celular aguda e nefrotoxicidade.
Assunto Monitoramento de medicamentos/efeitos adversos
Reconhecimento de padrão
Redes neurais
Monitoring of drug/adverse effects
Neural networks
Pattern recognition
Kidney transplantation
Transplante renal
Idioma Português
Data 2010-10-27
Publicado em MACIEL, Rafael Fabio. Aplicação de redes neurais artificiais em transplantes renais: classificação de nefrotoxicidade e rejeição celular aguda. 2010. Dissertação (Mestrado) - Universidade Federal de São Paulo (UNIFESP), São Paulo, 2010.
Editor Universidade Federal de São Paulo (UNIFESP)
Extensão 52 p.
Direito de acesso Acesso restrito
Tipo Dissertação de mestrado
URI http://repositorio.unifesp.br/handle/11600/8957

Mostrar registro completo




Arquivos deste item

Nome: Retido-319.pdf
Tamanho: 806.3Kb
Formato: PDF
Descrição:
Visualizar/Abrir

Este item aparece na(s) seguinte(s) coleção(s)