Loading...
2 results
Search Results
Now showing 1 - 2 of 2
- Disease Severity Index in Parkinson’s Disease Based on Self-Organizing MapsPublication . Araújo, Suellen Munique; Nery, Sabrina Beatriz Mendes; Magalhães, Bianca G.; Almeida, Kelson James; Gaspar, Pedro DinisParkinson’s disease is a progressive neurodegenerative condition whose prevalence has significantly increased. This work proposes the development of a severity index to classify patients from symptoms, mainly motor ones, using an Artificial Neuronal Network (ANN) trained by the Self-Organizing Maps (SOMs) algorithm. The FOX Insight database was used, which offers data in the form of questionnaires answered by patients or caregivers from all over the world, with information regarding this pathology. After pre-processing the data, a set of 597 questionnaires containing 28 defined questions was selected. The symptoms were individually analyzed after mapping and divided into four classes. In class 1, most symptoms were not present. In class 2, the presence of certain symptoms demonstrated early milestones of the disease. In class 3, symptoms related to the patient’s mobility, in particular pain, stand out among the most reported. In class 4, the intense presence of all symptoms is observed. To test the tool, data were used from some of these patients, who answered the same questionnaire at different times (simulating medical appointments). The presented severity index to classify patients allowed identifying the current stage of the disease allowing the follow-up. This AI-based decision-support tool can help medical professionals to predict the evolution of Parkinson’s disease, which can result in longer life quality of patients, in terms of symptoms and medication requirements.
- Índice de Severidade para a Doença de Parkinson baseado em Redes Neuronais ArtificiaisPublication . Araújo, Suellen Munique; Gaspar, Pedro Miguel de Figueiredo Dinis Oliveira; Magalhães, Bianca GonçalvesA Doença de Parkinson (DP) é uma condição neurodegenerativa progressiva que afeta, principalmente, o sistema motor das pessoas. A prevalência da DP tem aumentado significativamente, afetando 1% da população acima de 60 anos e até 4% da população acima de 80 anos. Um índice com intuito de verificar a severidade dessa doença para acompanhar ou até mesmo diagnosticar precocemente os pacientes, é fundamental. Este trabalho propõe o desenvolvimento de um índice de severidade para classificar os pacientes, a partir de sintomas, principalmente motores, utilizando uma Rede Neuronal Artificial (RNA), treinada pelo algoritmo Self-Organizing Maps (SOM). O SOM, com base na similaridade das informações, é capaz de agrupar os dados num mapa bidimensional. Além disso, utilizou-se o algoritmo K-means para associar esses dados em Classes. Foi utilizado o banco de dados FOX Insight, que oferece dados em forma de questionários respondidos por pacientes ou cuidadores de todo o mundo, com uma variedade de informações referente a esta patologia. Após o pré-processamento dos dados, selecionou-se um conjunto de 597 questionários (pacientes), contendo 28 perguntas definidas. Os dados foram codificados de acordo com cada grupo de perguntas. Os sintomas foram individualmente analisados após o mapeamento e divididos em quatro Classes. Na Classe 1, a maioria dos sintomas não estavam presentes. Na Classe 2, a presença de determinados sintomas demonstraram marcos iniciais da doença, como movimentos mais lentos, voz mais suave e tremores. Na Classe 3, os sintomas relacionados as mobilidades do paciente, em particular, a dor, destacam-se entre os mais relatados. Na Classe 4, observa-se a presença intensa de todos os sintomas, sendo os mais frequentes, considerados sintomas em uma fase mais avançada da doença. Dessa forma, a Classe 1 representa pacientes assintomáticos ou em uma fase muito leve, a Classe 2, refere-se a uma fase leve, a Classe 3, uma fase moderada da doença e a Classe 4 uma fase grave. Para testar a ferramenta, foram utilizados dados de alguns desses pacientes, que responderam ao mesmo questionário outras vezes em momentos espaçados (simulando as consultas médicas). Por fim, foi possível identificar o estágio atual da doença possibilitando acompanhá-los, sendo essa uma ótima ferramenta de suporte à decisão.