000146602 001__ 146602
000146602 005__ 20241126113441.0
000146602 037__ $$aTAZ-TFG-2024-2795
000146602 041__ $$aspa
000146602 1001_ $$aDomingo Ralla, Diego
000146602 24200 $$aSurvival models and explainable artificial intelligence in the prediction of the risk of conversion from mild cognitive impairment to Alzheimer's disease.
000146602 24500 $$aModelos de supervivencia e inteligencia artificial explicable en la predicción del riesgo de conversión de deterioro cognitivo leve a Alzhéimer.
000146602 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2024
000146602 500__ $$aIncluye anexos
000146602 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000146602 520__ $$aLa enfermedad de Alzhéimer (AD) es la forma más común de demencia a nivel mundial. Se trata de una afección crónica para la que no existen tratamientos curativos. Su diagnóstico es un proceso complejo que consiste en la evaluación de un especialista médico, apoyado en diversas pruebas que pueden incluir escáneres de imagen cerebral, evaluaciones neuropsicológicas o la identificación de biomarcadores genéticos y en el líquido cefalorraquídeo. El deterioro cognitivo leve (MCI) es una etapa temprana del declive de las facultades cognitivas del individuo que, en muchos casos, puede progresar a AD. De esta manera, la detección temprana y el seguimiento de los pacientes con MCI son aspectos cruciales para la identificación de pacientes con un alto riesgo de conversión. Recientemente, métodos de análisis de supervivencia han mostrado buenas prestaciones en la predicción de conversión de MCI a AD. Sin embargo, este tipo de modelos tiene una naturaleza de caja negra, es decir, su funcionamiento interno es poco transparente, lo que dificulta la interpretación de sus resultados. Para resolver este problema surgen métodos de inteligencia artifical explicable (XAI) como SHapley Additive exPlanations (SHAP), que permite descomponer las predicciones del modelo en la contribución de cada feature, proporcionando una explicación clara y cuantitativa del impacto de cada variable en el resultado del modelo. En este trabajo se aporta una visión general completa de la eficacia de Random Survival Forests (RSF) y Gradient Boosting Survival Analysis (GBSA) en el problema de la predicción de conversión de MCI a AD en un periodo de tiempo de hasta 5 años. Se han utilizado datos de pacientes con MCI del Alzheimer's Disease Neuroimaging Initiative (ADNI) en diferentes puntos temporales de su seguimiento (baseline, mes 12, mes 24, y una concatenación de baseline y mes 12). Asimismo, se ha elaborado un método simple pero efectivo para la obtención de métricas complementarias similares a las típicamente utilizadas en los modelos de aprendizaje automático tradicionales, y se ha utilizado SHAP para abordar la explicabilidad de los modelos y analizar los factores que más influyen sobre las predicciones realizadas. En términos generales, los resultados muestran que RSF obtiene mejores prestaciones que GBSA, alcanzando un c-index máximo de 0.875 con datos del mes 12. Entre las features con más impacto sobre las predicciones se han identificado tests de evaluación neuropsicológica como mPACCtrailsB o LDELTOTAL, la escala clínica FAQ, el volumen del giro temporal medio (MidTemp) o FDG, un biomarcador del metabolismo de glucosa en el cerebro. De esta manera, se observa que las predicciones realizadas son el resultado de la contribución acumulada de features de diversos tipos que miden diferentes aspectos del deterioro cognitivo. En conclusión, en este trabajo se comprueba que la utilización de modelos de supevivencia apoyados por métodos de explicabilidad como SHAP puede resultar de gran utilidad en el ámbito clínico para la predicción del riesgo de conversión de MCI a AD y en la elaboración de tratamientos adaptados a las necesidades de cada paciente.<br />
000146602 521__ $$aGraduado en Ingeniería Informática
000146602 540__ $$aDerechos regulados por licencia Creative Commons
000146602 691__ $$a3
000146602 692__ $$a3.4. Para 2030, reducir en un tercio la mortalidad prematura por enfermedades no transmisibles mediante la prevención y el tratamiento y promover la salud mental y el bienestar 3.b. Apoyar las actividades de investigación y desarrollo de vacunas y medicamentos para las enfermedades transmisibles y no transmisibles que afectan primordialmente a los países en desarrollo y facilitar el acceso a medicamentos y vacunas esenciales asequibles de conformidad con la Declaración de Doha relativa al Acuerdo sobre los ADPIC y la Salud Pública, en la que se afirma el derecho de los países en desarrollo a utilizar al máximo las disposiciones del Acuerdo sobre los Aspectos de los Derechos de Propiedad Intelectual Relacionados con el Comercio en lo relativo a la flexibilidad para proteger la salud pública y, en particular, proporcionar acceso a los medicamentos para todos 3.d. Reforzar la capacidad de todos los países, en particular los países en desarrollo, en materia de alerta temprana, reducción de riesgos y gestión de los riesgos para la salud nacional y mundial
000146602 700__ $$aHernández Giménez, Mónica$$edir.
000146602 700__ $$aMayordomo Cámara, Elvira$$edir.
000146602 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos
000146602 8560_ $$f818637@unizar.es
000146602 8564_ $$s1915057$$uhttps://zaguan.unizar.es/record/146602/files/TAZ-TFG-2024-2795.pdf$$yMemoria (spa)
000146602 8564_ $$s3667844$$uhttps://zaguan.unizar.es/record/146602/files/TAZ-TFG-2024-2795_ANE.pdf$$yAnexos (spa)
000146602 909CO $$ooai:zaguan.unizar.es:146602$$pdriver$$ptrabajos-fin-grado
000146602 950__ $$a
000146602 951__ $$adeposita:2024-11-26
000146602 980__ $$aTAZ$$bTFG$$cEINA
000146602 999__ $$a20240624181346.CREATION_DATE