000146608 001__ 146608
000146608 005__ 20241126113441.0
000146608 037__ $$aTAZ-TFG-2024-2770
000146608 041__ $$aspa
000146608 1001_ $$aCervera López, Pablo
000146608 24200 $$aExplainable Boosting Machine in the prediction of Alzheimer's disease conversion from Mild Cognitive Impairment using longitudinal data.
000146608 24500 $$aExplainable Boosting Machine en la predicción de la conversión desde deterioro cognitivo leve a Alzheimer usando datos longitudinales.
000146608 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2024
000146608 500__ $$aIncluye información adicional en Anexos
000146608 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000146608 520__ $$aEl Alzheimer es una enfermedad neurodegenerativa crónica que constituye la forma más común de demencia, representando entre el 60% y el 70% de los casos. Esta enfermedad afecta principalmente a personas mayores de 65 años, aunque también puede presentarse en personas más jóvenes, conocido como Alzheimer de inicio temprano (Late Onset Alzheimer 's Disease, LOAD). Desafortunadamente, a día de hoy no se conoce una cura y únicamente existen tratamientos para ralentizar el progreso de la enfermedad. Actualmente, no se conoce un método de diagnóstico preciso para esta enfermedad que no involucre una biopsia post-mortem. Los pacientes diagnosticados con deterioro cognitivo leve (Mild Cognitive Impairment, MCI) pueden terminar desarrollando Alzheimer. Por ello, la detección temprana de un declive cognitivo en este tipo de pacientes es crucial para diagnosticar la enfermedad con antelación y aplicar los tratamientos disponibles, los cuales son más efectivos durante las etapas tempranas de la enfermedad, de manera que se mejore la calidad de vida de los pacientes y sus familias. Por otro lado, en los últimos años múltiples técnicas de Machine Learning y de aprendizaje profundo (Deep Learning, DL), se han utilizado de forma extensiva para predecir la conversión de un paciente con MCI a Alzheimer. No obstante, estos modelos complejos tienden a sacrificar la interpretabilidad en favor de la precisión, lo que dificulta su aplicación al ámbito clínico. Muchas veces, los expertos en el campo de la medicina se muestran reacios a confiar en el resultado de los métodos denominados black-box debido a que carecen de explicaciones completas y fáciles de entender de sus decisiones. En este trabajo se ha utilizado un método de Machine Learning explicable, en concreto Explainable Boosting Machine (EBM), en el problema de predicción de la conversión de MCI a Alzheimer en un periodo de tiempo entre uno y cinco años. Este tipo de técnicas proporcionan interpretabilidad mientras mantienen la precisión, un factor fundamental para su aplicación clínica. El estudio se ha centrado en seleccionar las features más relevantes para la predicción y estudiar su relevancia en los modelos resultantes. Se han considerado cinco conjuntos de features utilizados en estudios previos, todos ellos incluyen datos de distintas modalidades obtenidos de la base de datos ADNI (Alzheimer's Disease Neuroimaging Initiative). Los resultados obtenidos muestran que los métodos explicables como EBM no solo obtienen un buen rendimiento, sino que también proporcionan insights valiosos sobre las features más influyentes en la progresión de MCI a Alzheimer. Esto puede facilitar una mejor comprensión de la enfermedad y apoyar a los profesionales médicos en la toma de decisiones clínicas. Como conclusión, este trabajo demuestra el potencial de las técnicas de Machine Learning explicable para el diagnóstico temprano del Alzheimer y sugiere que la combinación de precisión e interpretabilidad es crucial para su adopción en el ámbito clínico.<br />
000146608 521__ $$aGraduado en Ingeniería Informática
000146608 540__ $$aDerechos regulados por licencia Creative Commons
000146608 691__ $$a3
000146608 692__ $$aEste trabajo realiza la aportación a los ODS 3.4, 3.b y 3.d. Ya que, ayuda a reducir la mortalidad prematura por enfermedades no transmisibles, apoya las actividades de investigación y refuerza la capacidad de todos los países en materia de alerta temprana.
000146608 700__ $$aHernández Giménez, Mónica$$edir.
000146608 700__ $$aMayordomo Cámara, Elvira$$edir.
000146608 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos
000146608 8560_ $$f815538@unizar.es
000146608 8564_ $$s1204962$$uhttps://zaguan.unizar.es/record/146608/files/TAZ-TFG-2024-2770.pdf$$yMemoria (spa)
000146608 8564_ $$s2228880$$uhttps://zaguan.unizar.es/record/146608/files/TAZ-TFG-2024-2770_ANE.pdf$$yAnexos (spa)
000146608 909CO $$ooai:zaguan.unizar.es:146608$$pdriver$$ptrabajos-fin-grado
000146608 950__ $$a
000146608 951__ $$adeposita:2024-11-26
000146608 980__ $$aTAZ$$bTFG$$cEINA
000146608 999__ $$a20240624110525.CREATION_DATE