• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.5.2023.tde-04082023-142705
Documento
Autor
Nombre completo
Larissa Iulle Moreira
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Paulo, 2023
Director
Tribunal
Andrade, Daniel Ciampi Araujo de (Presidente)
Teixeira, Manoel Jacobsen
Veloso, Adriano Alonso
Yeng, Lin Tchia
Título en portugués
Desenvolvimento de modelos preditores de resposta clínica em doentes com dor crônica com técnicas de inteligência artificial
Palabras clave en portugués
Aprendizado de máquina
Controle da dor
Dor crônica
Inteligência artificial
Tratamento
Resumen en portugués
Introdução: A dor é o sintoma mais prevalente no ser humano, está entre as três principais causas globais de anos vividos com incapacidade. O tratamento inadequado da dor é grave problema de saúde pública. O uso de abordagens de inteligência artificial (IA) nas áreas da saúde possibilita melhora da prevenção, detecção, diagnóstico, tratamento das doenças e utilização de recursos de saúde e pode transformar os modelos de prestação de cuidados à saúde. Objetivo: se os modelos de aprendizado de máquina são capazes de predizer melhora significativa ou não em doentes com dor com base nas informações da primeira consulta. Método: Foram analisados dados de 506 doentes atendidos no Ambulatório do Centro de Dor da Clínica Neurológica do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo, coletados por uma interface sistematizada e padronizada de avaliação no período de 1 ano. Os desfechos foram a melhora de dor com base na escala verbal analógica (EVA) e impressão global de mudança pela versão do médico e do doente (IGM). A análise descritiva foi realizada por estatística simples. Uma abordagem de aprendizado de máquina (AM) supervisionada foi realizada a partir de um algoritmo desenvolvido e um total de 338 atributos relacionados a dor foram incluídos no estudo. O algoritmo foi treinado a partir de algoritmos de Random Forest e XGBoost disponíveis. O desempenho foi avaliado pela métrica da Área Sobre a Curva (AUC ROC) e os fatores explicativos apresentados como gráficos de resumo SHAP. Resultados: Os resultados fornecem evidência de que o AM tem potencial de auxiliar no manejo da dor e a tomada de decisões clínicas. Os modelos gerados originaram um questionário com 12 questões com as melhores variáveis. Conclusão: Os resultados deste estudo sugerem que o uso de IA tem efeito positivo no gerenciamento do doente com dor e são necessários mais estudos com abordagens de IA nos doentes com dor crônica
Título en inglés
Development of predictive models of clinical response in patients with chronic pain with artificial intelligence techniques
Palabras clave en inglés
Artificial intelligence
Chronic pain
Machine learning
Pain control
Treatment
Resumen en inglés
Introduction: Pain is the most prevalent symptom in humans; it is among the three main global causes of years lived with disability. Inadequate pain treatment is a severe public health problem. Artificial intelligence (AI) approaches in healthcare enable improved prevention, detection, diagnosis, treatment of diseases, and utilization of healthcare resources and can transform healthcare delivery models. Objective: whether machine learning models can predict significant improvement or not in patients with pain based on information from the first consultation. Method: Data from 506 patients who attended the Ambulatory of the Pain Center of the Neurological Clinic of the Hospital das Clínicas of the Faculty of Medicine of the University of São Paulo were analyzed, collected by a systematized and standardized interface of evaluation in 1 year. Outcomes were improvement in pain based on the verbal analog scale (VAS) and global impression of change by the doctor and patient version (GIC). Descriptive analysis was performed using simple statistics. A supervised machine learning (ML) approach was performed using a developed algorithm, and 338 pain-related attributes were included in the study. The algorithm was trained from available Random Forest and XGBoost algorithms. Performance was evaluated by the Area Under Curve (AUC ROC) metric, and the explanatory factors were presented as SHAP summary graphs. Results: The results provide evidence that BF has the potential to help with pain management and clinical decision-making. The generated models originated a questionnaire with 12 questions with the best variables. Conclusion: The results of this study suggest that the use of AI has a positive effect on the management of patients with pain, and further studies are needed with AI approaches in patients with chronic pain
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2023-08-15
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2024. Todos los derechos reservados.