Caracterització i detecció precoç de la ventriculomegalia aïllada a partir de dades pre i post-natals
La ventriculomegalia (VMG) és una malaltia rara que afecta entre 0,3 i 22 de cada 1000 embarassos. D'aquests, entre el 25 i el 60% són casos aïllats, és a dir, que no tenen una altra patologia associada. L'evolució de l'afectació i l'efecte sobre el neurodesenvolupament no és pre...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/134366 |
| Acceso en línea: | https://hdl.handle.net/10609/134366 |
| Access Level: | acceso abierto |
| Palabra clave: | ventriculomegalia aprenentatge automàtic mineria de dades medicina fetal detecció aprendizaje automático minería de datos detección ventriculomegaly machine learning data mining detection fetal medicine Newborn infants -- TFM Infants nadons -- TFM Niños bebés -- TFM |
| Sumario: | La ventriculomegalia (VMG) és una malaltia rara que afecta entre 0,3 i 22 de cada 1000 embarassos. D'aquests, entre el 25 i el 60% són casos aïllats, és a dir, que no tenen una altra patologia associada. L'evolució de l'afectació i l'efecte sobre el neurodesenvolupament no és previsible. La detecció de la VMG s'efectua a través de la mesura de dos únics paràmetres: la mida de l'Atrium Esquerre i de l'Atrium Dret. L'objectiu és usar una base de dades de 81 participants (41 d'ells afectats i 40 no afectats) per a millorar la caracterització de l'afectació i de la prognosi i per a fer una detecció precoç per poder predir els efectes post-natals en base a les dades pre-natals disponibles. La reduïda mida de la base de dades ha suposat un repte que ha impedit trobar noves caracteritzacions de l'afectació tot i que s'ha detectat certa correlació entre la VMG i altres dos paràmetres: la Banya Anterior Esquerra i la Banya Anterior Dreta. S'ha aconseguit entrenar un model de classificació binari amb una valor de F1 al voltant del 90%. S'ha aconseguit amb xarxes neuronals o amb una cascada de xarxes neuronals amb els models d'aprenentatge supervisat més potents. Es conclou que un nombre reduït de dades inclús desbalancejat permet oferir models amb suficients prestacions però que un major coneixement del context podria millorar els resultats. |
|---|