Medicina / Ciências Médicas e da Saúde

Dissertações de Mestrado

Resumo

Esta dissertação faz um estudo da aplicação de redes bayesianas ao prognóstico da sobrevivência no cancro de próstata. Com o auxílio de um médico especialista em cancro de próstata, construímos uma rede bayesiana a partir de dados clínicos de doentes. Aplicamos esta rede a um conjunto de dados de doentes, disponíveis no endereço http://lib.stat.cmu.edu/S/Harrell/data/descriptions/prostate.html (Andrews and Herzberg 1985), com o objectivo de estudar e avaliar a qualidade desta rede construída manualmente. A seguir, utilizamos algumas ferramentas de geração de redes bayesianas a fim de comparar a qualidade destas redes geradas automaticamente com a rede gerada manualmente. Os resultados mostram que as redes geradas automaticamente comportam-se tão bem ou melhor que a rede construída manualmente, além de apresentarem relações causais não existentes na rede gerada manualmente. Neste trabalho utilizamos software tais como o SPSS, o WEKA, o GeNIe, o MiniTUBA e o Aleph/SAYU na construção das redes manual e automáticas. Fizemos um intenso estudo do estado da arte com o intuito de estabelecer uma base sólida para o trabalho. Foram procurados os métodos já existentes para prognóstico em doentes com cancro da próstata e observados os seus resultados, com o intuito de construir um instrumento útil e com resultados viáveis para a área médica em questão. A mortalidade de doentes com cancro está a aumentar em todo o mundo e é necessário aproveitar os dados disponíveis para melhorar os cuidados de saúde e possivelmente reduzir a taxa de mortalidade por cancro. Não tendo ainda sido desenvolvidos muitos estudos nesta área, pode considerar-se que este trabalho apresenta um impulso ao estudo e aplicação das redes bayesianas estáticas e dinâmicas na área médica e conduz, em última instância a um instrumento que consideramos útil para o prognóstico de doenças como o cancro da próstata.

 

Índice

Organização da tese

1 Introdução

2 Estado de arte

2.1 Redes Bayesianas

2.2 Escolha do problema médico

2.3 Utilização das redes bayesianas para o prognóstico de sobrevivência no cancro da próstata

3 Material e Métodos

3.1 O software – open source

3.1.1 GeNIe

3.1.2 WEKA

3.1.3 Mini-TUBA
3.1.4 Aleph e SAYU

4 Modelo Qualitativo da rede Bayesiana

4.1 Processo para criação do modelo da rede

4.2 A escolha das variáveis

4.3 As variáveis

4.3.1 Idade

4.3.2 Peso

4.3.3 História familiar de cancro

4.3.4 International Prostate Symptom Score

4.3.5 Pressão arterial

4.3.6 Hemoglobina

4.3.7 Nódulos hipoecogénicos

4.3.8 Prostate Specific-Antigen (PSA

4.3.9 Estadio Clínico

4.3.10 Gleason Stage

4.3.11 Penetração da cápsula prostática

4.3.12 Envolvimento das vesículas seminais

4.3.13 Envolvimento linfático

4.3.14 Doubling time PSA

4.3.15 Tamanho da próstata

4.3.16 Metástases ósseas

4.3.17 Status após 5 anos da cirurgia

4.4 Limitações na escolha das variáveis

4.5 Métodos para a estruturação da rede

4.6 Evolução dos modelos construídos

4.7 Conclusão

5 Modelos Quantitativos

5.1 Gestão dos atributos

5.2 Necessidade de discretização das variáveis contínuas

5.3 Missing values

5.4 Modelo I - Modelo construído manualmente

5.4.1 Probabilidades marginais

5.4.2 Probabilidades condicionais

5.4.3 Modelo final da rede - GeNIe

5.4.4 Determinação da exactidão da rede

5.5 Modelo II - WEKA – Machine Learning algorithms in Java

5.5.1 Aprendizagem da estrutura da rede

5.5.2 As redes finais

5.5.3 Interpretação do resultado

5.5.4 Conclusões
5.6 Modelo III – mini-TUBA

5.7 Configurações de uma rede bayesiana dinâmica no mini-TUBA

5.7.1 Gestão das variáveis

5.7.2 Índice de Markov

5.7.3 Discretização

5.7.4 Algoritmo de aprendizagem

5.7.5 Redes

5.7.6 Resultados e conclusões

5.8 Modelo IV – Redes bayesianas e regras

6 Conclusões

7 Trabalho futuro

Anexo I – Sub-redes que se conservam no Top10 das redes bayesianas dinâmicas calculadas no mini-Tuba

Referências
 

 

Trabalho completo