Prediccio de l'estat cognitiu de pacients amb malalties neurologiques mitjançant xarxes neuronals artificials amb dades cognitives de la bateria Neuronorma

Read full text Summarise with VIRAT
Authors: Nieves Rivera Avila
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

El deteriorament cognitiu lleu (DCL) es defineix com un estat transitori entre l'envelliment normal (EN) i diverses formes de demència. Les xarxes neuronals artificials (XNA) constitueixen una eina d'aprenentatge automàtic d'elevada potència, capaç d'oferir als professionals sanitaris un suport valuós en la presa de decisions diagnòstiques. L'objectiu principal d'aquesta recerca ha estat identificar la configuració de XNA amb millor rendiment per a la classificació de subjectes en dues patologies: l'esclerosi múltiple en fase remitent-recurrent (EMRR) i la malaltia de Parkinson (MP), utilitzant dades neuropsicològiques provinents de la bateria Neuronorma (NN). Aquesta bateria inclou 33 proves que avaluen els dominis cognitius essencials: atenció, llenguatge, memòria, funció executiva i funció visuoespacial. La tesi s'ha estructurat en dos estudis independents -EMRR i MP- precedits, en ambdós casos, per una etapa de clusterització amb l'objectiu d'identificar patrons cognitius diferenciats. En l'estudi de l'EMRR, motivat per la manca d'escales neuropsicològiques robustes que defineixin els estats cognitius d'aquests pacients, s'han comparat diferents esquemes de classificació a partir de tres bases de dades: (1) CEMRR: subjectes amb EMRR juntament amb subjectes control; (2) EMRR: només pacients amb EMRR; i (3) C+EMRR: subjectes control com a classe 1 i pacients amb EMRR dividits en classes 2 i 3 segons la clusterització prèvia. Aquestes bases s'han analitzat amb configuracions de 2, 3 i 4 clústers. En l'estudi de la MP s'ha comparat la classificació obtinguda mitjançant clusterització amb la derivada de l'etiquetatge proporcionat per l'escala SCOPA-Cog (Scales for Outcomes of Parkinson's Disease-Cognition). S'han utilitzat quatre bases de dades: (1) CMP_Clúster: pacients amb MP més controls amb clusterització prèvia de tota la mostra; (2) CMP_SCOPA-Cog: pacients amb MP etiquetats amb SCOPA-Cog més controls; (3) MP_Clúster: només pacients amb MP amb clusterització; i (4) MP_SCOPA-Cog: només pacients amb MP etiquetats amb SCOPA-Cog. En tots els casos, les bases de dades han estat estructurades considerant una partició en tres classes. Per a cadascun dels estudis, les XNA seleccionades s'han sotmès a una anàlisi de sensibilitat mitjançant valors de Shapley per identificar les variables neuropsicològiques amb major pes predictiu en la decisió diagnòstica. La validació dels resultats s'ha dut a terme comparant-los amb altres classificadors: Classificador Discriminant Lineal (LDC), Linear Support Vector Machine (LSVM) i Arbres de Decisió (AD). La cerca de la XNA òptima s'ha basat en dues variables clau: (1) La dimensió del vector de característiques d'entrada, optimitzada mitjançant una transformació desenvolupada en aquesta recerca, consistent en una reducció de característiques amb Anàlisi per Múltiples Discriminants (MDA). Aquesta reducció no s'ha limitat a c-1 característiques (on c és el nombre de clústers), sinó que ha consistit a reduir cada prova multivariant a una única característica; (2) El nombre capes ocultes i de neurones en cada capa. En el cas de l'EMRR, la XNA òptima utilitza les puntuacions directes sense reducció de la base CEMRR amb 3 clústers, dues capes ocultes i 50 neurones simètriques per capa, aconseguint una precisió del 95,35%. L'anàlisi de sensibilitat ha identificat el Symbol Digit Modalities Test (SDMT) i el Free and Cued Selective Reminding Test (FCSRT, record diferit lliure) com les proves més predictives. En la MP, la XNA òptima parteix de les puntuacions directes sense reducció de la base MP_Clúster, amb dues capes ocultes i 25 neurones simètriques per capa, assolint una precisió del 100%. L'anàlisi de sensibilitat ha determinat que el FCSRT record diferit total actua com a marcador cognitiu principal en aquesta patologia. Tots els experiments i implementacions s'han desenvolupat utilitzant el llenguatge de programació MATLAB®.

Fields of Study & Subjects

Dementia and Cognitive Impairment Research Artificial Intelligence in Healthcare Multiple Sclerosis Research Studies

Publication details

Journal / source
Dipòsit Digital de Documents de la UAB (Universitat Autònoma de Barcelona)
Publication date
1 January 2026
Language
CA
Document type
Thesis