Estimativa de Sobrevida de Pacientes com Glioblastoma por meio de Algoritmos Baseados em Random Forests (2020)
- Authors:
- USP affiliated author: OLIVEIRA, DANILO BARBOSA DA SILVA DE - EESC E ICMC
- School: EESC E ICMC
- Sigla do Departamento: SME
- Subjects: APRENDIZADO COMPUTACIONAL; ANÁLISE DE SOBREVIVÊNCIA
- Keywords: Random Survival Forests; Glioblastoma
- Language: Português
- Abstract: O câncer cerebral do tipo Glioblastoma é um dos mais agressivos na atualidade, com alta taxa de mortalidade e expectativa média de sobrevivência de 15 meses após diagnóstico. Ao mesmo tempo, novos algoritmos especializados em análise de sobrevida foram descritos nos últimos anos, possibilitando trabalhar com os principais desafios encontrados em bases de dados médicos: grande número de variáveis com baixa quantidade de amostras e censura de dados. Esse trabalho tem o objetivo de avaliar o desempenho do Random Survival Forests (RSF) e de sua modificação mais recente, o Maximally Selected Rank Statistics Random Forests (MSR-RF), aplicados numa base de dados com informação genética (mRNA) de pacientes de Glioblastoma, considerando dois aspectos: capacidade de distinção de risco de pacientes (C-index) e precisão das curvas de sobrevivência estimadas (Brier Score). Ambos podem ser considerados adaptações do famoso algoritmo de aprendizado de máquina Random Forests, mas procuram maximizar a diferença de sobrevivência ao fazer um split num nó. Foi desenvolvida também uma biblioteca que encapsula diversas funções da análise de sobrevivência, além de métodos de avaliar a importância de variáveis e seleção de preditores, chamada de SurvivalLib. O MSR-RF apresentou melhor resultado para o C-index, 0,869, contra 0,727 do RSF. Para o Brier Score, ambos foram muito parecidos, com pontuação de 0,128 para o RSF e 0,123 para o MSR-RF. Gráficos das curvas de sobrevivência estimadas ao longo do tempo são apresentados, para todos os pacientes da base de testes. Neste caso, o RSF demonstrou maior separação entre pacientes de alto risco em comparação com os de baixo risco. Este estudo permitiu a comparação dos dois algoritmos, mostrando que o método adotado pelo MSR-RF apresentou melhor resultado em classificar o risco dos pacientes, mas o RSF mostra mais eficiência na precisão da estimativa da probabilidade de sobrevivência ao
- Imprenta:
- Place of publication: São Carlos
- Date published: 2020
-
ABNT
OLIVEIRA, Danilo Barbosa da Silva de. Estimativa de Sobrevida de Pacientes com Glioblastoma por meio de Algoritmos Baseados em Random Forests. 2020. Trabalho de Conclusão de Curso (Graduação) – , Universidade de São Paulo, São Carlos, 2020. Disponível em: https://bdta.abcd.usp.br/directbitstream/009372d4-b392-49e5-a594-ee04a4158e1f/TCC%20DaniloOliveira.pdf. Acesso em: 20 abr. 2024. -
APA
Oliveira, D. B. da S. de. (2020). Estimativa de Sobrevida de Pacientes com Glioblastoma por meio de Algoritmos Baseados em Random Forests (Trabalho de Conclusão de Curso (Graduação). , Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/009372d4-b392-49e5-a594-ee04a4158e1f/TCC%20DaniloOliveira.pdf -
NLM
Oliveira DB da S de. Estimativa de Sobrevida de Pacientes com Glioblastoma por meio de Algoritmos Baseados em Random Forests [Internet]. 2020 ;[citado 2024 abr. 20 ] Available from: https://bdta.abcd.usp.br/directbitstream/009372d4-b392-49e5-a594-ee04a4158e1f/TCC%20DaniloOliveira.pdf -
Vancouver
Oliveira DB da S de. Estimativa de Sobrevida de Pacientes com Glioblastoma por meio de Algoritmos Baseados em Random Forests [Internet]. 2020 ;[citado 2024 abr. 20 ] Available from: https://bdta.abcd.usp.br/directbitstream/009372d4-b392-49e5-a594-ee04a4158e1f/TCC%20DaniloOliveira.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
TCC DaniloOliveira.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
