• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.5.2019.tde-22052019-144854
Documento
Autor
Nome completo
Magaly Marçula
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2018
Orientador
Banca examinadora
Mansur, Alfredo Jose (Presidente)
Barroso, Lucia Pereira
Bortolotto, Luiz Aparecido
Tucci, Paulo José Ferreira
Título em português
Avaliação prognóstica em pacientes com insuficiência cardíaca com o emprego de redes neurais artificiais
Palavras-chave em português
Análise de sobrevivência
Assistência ambulatorial
Cardiomiopatia
Insuficiência cardíaca
Prognóstico
Rede neural
Resumo em português
Fundamentos - Identificar pacientes ambulatoriais que necessitam de recursos terciários de hospital de referência voltado para a prática cardiológica é inerente à responsabilidade assistencial. Compete reconhecer pacientes sob maior risco de prognóstico desfavorável, o que pode ser feito pelo emprego de métodos estatísticos tradicionais. Com o mesmo fito, as redes neurais têm sido objeto de interesse. Formulamos a hipótese de que as redes neurais, alimentadas a partir de variáveis selecionadas com o emprego de estatística tradicional, pudessem contribuir para a avaliação prognóstica de pacientes com insuficiência cardíaca. Objetivos - Avaliar o prognóstico de pacientes com diagnóstico de insuficiência cardíaca com o emprego de métodos da estatística de sobrevivência associada com a rede neural artificial. Delineamento - Estudo de coorte retrospectiva a partir de dados assistenciais de pacientes que receberam o diagnóstico de insuficiência cardíaca, identificação das variáveis associadas ao prognóstico com o emprego da estatística tradicional e alimentação da rede neural perceptron de múltiplas camadas (Neuro XL Predictor - OLSOFT Software Development) com essas variáveis. Local - Ambulatório cardiológico com alto volume de atendimentos voltado para pacientes do Sistema Único de Saúde (SUS) em hospital acadêmico de referência terciário. Participantes - 2.128 pacientes consecutivos, que receberam o diagnóstico de insuficiência cardíaca de 2 de julho de 2003 a 2 de julho de 2007. Desfecho - óbito por qualquer causa. Análise de dados - À análise descritiva e exploratória, seguiu-se a avaliação da probabilidade de sobrevida pelo método de Kaplan Meier, seguida de análise inferencial com o emprego do teste de log-rank e do modelo de riscos proporcionais de Cox. Identificadas as variáveis associadas ao prognóstico de sobrevida, foi desenvolvida a rede neural nas diferentes fases de aprendizado- treinamento e com o recurso do algoritmo de treinamento backpropagation. A rede neural foi desenvolvida em cinco fases: fase 1 - aprendizado-treinamento (n=968 óbitos com informação completa); fase 2 - avaliação e aplicação (pacientes vivos até 2012); fase 3 - comparação da previsão de sobrevida com o emprego rede ( pacientes vivos até 2012) com a sobrevida observada; fase 4 - reensaios para aprendizados com novos desfechos (óbitos em 2013 e 2014); fase 5 - avaliação do aprendizado da rede na fase 4 (pacientes vivos e falecidos). A acurácia, a sensibilidade, a especificidade, o valor preditivo positivo e o valor preditivo negativo dos melhores modelos na previsão da sobrevida obtidas com a rede neural foram avaliados, considerando as duas funções de ativação (tangente hiperbólica e zero-based log sigmoid). Para tanto, foi preciso determinar intervalos de corte definidos por critério clínico de razoabilidade de expectativa do tempo de sobrevida e acerto calculado pela rede. A estimativa da previsibilidade e do erro também foi avaliada com o emprego da função de perda. Resultados - A análise estatística (n=2.128 pacientes) revelou as seguintes variáveis associadas ao prognóstico: idade (p < 0,001), índice de massa corpórea (p < 0,001), pressão arterial diastólica (p < 0,001), etiologia da insuficiência cardíaca (p < 0,001), classe funcional (p < 0,001), espessura do septo interventricular (p=0,037), diâmetro diastólico do ventrículo esquerdo (p < 0,001), diâmetro do átrio esquerdo (p=0,025), potássio sérico (p=0,015), colesterol total (p < 0,001), creatinina (p < 0,001) e a presença de diabetes melito (p=0,034). Os modelos de redes neurais com melhor previsibilidade foram obtidos pela categorização do tempo de sobrevida inferior a 2 anos, entre 2 anos e 6 anos, e superior a 6 anos. Nos pacientes com tempo de sobrevida observado superior a 6 anos, a partir da consulta inicial, com intervalo de corte de 3 anos, a estimativa feita com o emprego da rede neural demonstrou sensibilidade 93,0% (com ambas as funções de ativação), especificidade 76,4% ou 77,5% (dependendo da função de ativação), valor preditivo negativo 97,4% (com ambas as funções de ativação) e valor preditivo positivo 53,6% ou 54,7% (dependendo da função de ativação). Nos pacientes com tempo de sobrevida observado entre 2 anos e 6 anos, a partir da data do início dos sintomas, com intervalo de corte de 2 anos, obtivemos sensibilidade 89,8% (com ambas as funções de ativação), especificidade 72,5% ou 76,5%, valor preditivo positivo 86,3% ou 88,0% e valor preditivo negativo 78,7% ou 79,6% (dependendo da função de ativação). Nos pacientes com tempo de sobrevida observado inferior a 2 anos, a partir da data do início dos sintomas, com intervalo de corte de 1 ano, a estimativa com o emprego da rede neural demonstrou sensibilidade 87,2% (com ambas as funções de ativação), especificidade de 62,5% ou 66,7% (dependendo da função de ativação), valor preditivo positivo 82,0% ou 83,7% (dependendo da função de ativação) e valor preditivo negativo 71,4% ou 72,7% (dependendo da função de ativação). O erro da previsão de sobrevida com o emprego da rede neural, estimado com o auxílio da função de perda, variou de 4,4 meses até 1,1 anos. Conclusões - O emprego da rede neural alimentada por variáveis selecionadas com o emprego de estatística de sobrevivência tradicional pode ser método profícuo na avaliação prognóstica de pacientes com insuficiência cardíaca. A previsibilidade de estimativa de sobrevida alcançada com o uso de rede neural foi menor nos pacientes com quadros clínicos de menor tempo de evolução, comparativamente aos pacientes com maior tempo de evolução; no primeiro caso permitiria sugerir quadros mais instáveis em relação aos casos mais estáveis, isto é, aqueles com tempo de evolução maior
Título em inglês
Prognostic evaluation of patients with heart failure with the use of artificial neural networks
Palavras-chave em inglês
Ambulatory care
Cardiomyopathy
Heart failure
Neural networks
Prognosis
Survival analysis
Resumo em inglês
Background - Identifying outpatients who need tertiary resources of a referral cardiology hospital includes recognizing those at higher risk of unfavorable prognosis. Studies aimed at this objective may be accomplished with traditional statistics. Neural networks have been studied as a promising tool in the assessment of patients´ prognosis. We hypothesized that the neural networks developed with variables selected through traditional statistics might contribute to the prognostic evaluation of patients with heart failure. Objectives - To evaluate the prognosis of patients with heart failure using methods of survival statistics combined with the resources of artificial neural networks. Design - Retrospective cohort study from a database of patients previously diagnosed with heart failure, identification of variables associated with prognosis using traditional statistics, development of a neural network perceptron of multiple layers (Neuro XL Predictor - OLSOFT Software Development) with these variables. Setting - outpatient clinic from an academic tertiary cardiology center Participants - 2128 consecutive patients who received the diagnosis of heart failure between July 2, 2003 and July 2, 2007. Outcomes - death for any cause. Data analysis - Statistical evaluation was performed for descriptive and exploratory analysis and was followed by Kaplan Meier survival probability, and inferential analysis using the log-rank test and the Cox proportional hazards model to identify the variables associated with prognosis. Variables thus selected were then input for the neural network in the different stages of learning-training, with the backpropagation algorithm. The neural network was developed in 5 phases: phase 1 - learning / training (n = 968 deaths with complete information); phase 2 - evaluation and application (patients alive until 2012); phase 3 - comparison of the predicted versus the observed survival using the network (patients alive until 2012); phase 4 - re-tests for learning with new outcomes (deaths in 2013 and 2014); phase 5 - assessment of network learning in phase 4 (living and deceased patients). The accuracy, sensitivity, specificity, positive predictive value and negative predictive value of the best models in the prediction of survival obtained with the neural network were evaluated taking into account the two activation functions (hyperbolic tangent and zero-based log sigmoid) and the cut-off intervals defined by clinical criteria of reasonableness of expected survival time and the estimated estimate by the network. The estimation of predictability and error was also evaluated using the loss function. Results - Statistical analysis (n = 2128 patients) revealed the following variables associated with prognosis: age (p < 0.001), body mass index (p < 0.001), diastolic blood pressure (p < 0.001), heart failure etiology (P < 0.001), functional class (p < 0.001), interventricular septum thickness (p = 0.037), left ventricular diastolic diameter (p < 0.001), left atrial diameter (p = 0.025), serum potassium level, total cholesterol (p < 0.001), serum creatinine level (p < 0.001) and the presence of diabetes mellitus (p = 0.034). The models of neural networks with better predictability were obtained with the categorization of the survival time of less than 2 years, between 2 and 6 years, and over 6 years. In patients with a survival time of more than 6 years from the initial consultation, with a cut-off interval of 3 years (or 1095 days), the estimate using the neural network showed sensitivity 93.0% (with both activation functions), specificity of 76.4% or 77.5% (depending on the activation function), negative predictive value 97.4% (with both activation functions) and positive predictive value 53.6% or 54.7% (depending on the function of activation). In patients with a survival time of 2 to 6 years from the onset of symptoms, with a cut-off interval of 2 years (or 730 days), we obtained 89.8% sensitivity (with both activation functions), specificity 72,5% or 76.5%, positive predictive value 86.3% or 88.0% and negative predictive value 78.7% or 79.6% (depending on the activation function). In patients with a survival time of less than 2 years from the onset of symptoms, with a cut-off interval of 1 year (or 365 days), the estimate using the neural network showed a sensitivity of 87.2% (with both activation functions), specificity of 62.5% or 66.7% (depending on the activation function), positive predictive value 82.0% or 83.7% (depending on the activation function) and negative predictive value 71.4% or 72.7% (depending on the activation function). The error of survival prediction with the use of the estimated neural network with the aid of the function of absolute loss ranged from 4.4 months to 1.1 years. Conclusions - The use of selected variables input in the neural network with the use aid of traditional survival statistics, may be a useful method for the prognostic evaluation of patients with heart failure. Estimates were less accurate in patients with a shorter duration of symptoms relative to those with symptoms for a long time; in the first case it would suggest more unstable disease relative to those with more stable disease, namely with symptoms for a long time
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
MagalyMarcula.pdf (8.19 Mbytes)
Data de Publicação
2019-05-22
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.