146608 20241126113441.0 TAZ-TFG-2024-2770 spa Cervera López, Pablo Explainable Boosting Machine in the prediction of Alzheimer's disease conversion from Mild Cognitive Impairment using longitudinal data. Explainable Boosting Machine en la predicción de la conversión desde deterioro cognitivo leve a Alzheimer usando datos longitudinales. Zaragoza Universidad de Zaragoza 2024 Incluye información adicional en Anexos by-nc-sa Creative Commons 3.0 http://creativecommons.org/licenses/by-nc-sa/3.0/ El 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 /> Graduado en Ingeniería Informática Derechos regulados por licencia Creative Commons 815538@unizar.es 1204962 http://zaguan.unizar.es/record/146608/files/TAZ-TFG-2024-2770.pdf Memoria (spa) 2228880 http://zaguan.unizar.es/record/146608/files/TAZ-TFG-2024-2770_ANE.pdf Anexos (spa) oai:zaguan.unizar.es:146608 driver trabajos-fin-grado 3 Este 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. Hernández Giménez, Mónica dir. Mayordomo Cámara, Elvira dir. Universidad de Zaragoza Informática e Ingeniería de Sistemas Lenguajes y Sistemas Informáticos TAZ TFG EINA 20240624110525.CREATION_DATE deposita:2024-11-26