Compartilhamento |
![]() ![]() |
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/5456
Tipo do documento: | Tese |
Título: | Classificação da doença arterial coronariana usando a variabilidade da frequência cardíaca: uma abordagem de rede neural profunda com explicação agnóstica de Modelo Interpretável Localmente (LIME) |
Título(s) alternativo(s): | Coronary artery disease classification using heart rate variability: a deep neural network approach with Locally Interpretable Model (LIME) agnostic explanation |
Autor: | SILVA FILHO, Antonio Carlos Pereira ![]() |
Primeiro orientador: | CARTAGENES, Maria do Socorro de Sousa |
Primeiro coorientador: | ANDRADE, Marcelo de Sousa |
Primeiro membro da banca: | CARTÁGENES, Maria do Socorro |
Segundo membro da banca: | PIRES, Nilviane Soares |
Terceiro membro da banca: | SOUZA, Giordano Bruno Soares |
Quarto membro da banca: | OLIVEIRA, Aldeídia Pereira de |
Quinto membro da banca: | BRANDÃO, Maria do Desterro Soares |
Resumo: | Introdução: A Doença Arterial Coronariana é umas das doenças cardiovasculares que mais mata no mundo hoje. O Aprendizado de Máquina tem sido amplamente aplicado para detectar precocemente indicadores de risco de doença cardiovascular em pacientes no mundo inteiro. Entretanto, modelos complexos e sem clareza para os profissionais da saúde impedem e dificultam a implementação dos modelos de Aprendizado de Máquina em escala. Objetivo: Visamos aplicar um Rede Neural Profunda capaz de detectar sujeitos com Doença Arterial Coronariana de sujeitos saudáveis, usando índices de Variabilidade da Frequência Cardíaca como parâmetro, com o menor número possível de variáveis, aumentando a confiança nos resultados do modelo e fazendo a coleta de dados para a implantação do modelo em um ambiente clínico. Métodos: Utilizamos dados coletados de eletrocardiogramas 24h (holter) do banco de dados Telemetric and Holter Electrocardiogram Warehouse (THEW) de 354 pacientes. Os dados de variabilidade da frequência cardíaca foram extraídos dos holters e funcionaram como entrada de uma rede neural profunda, e as variáveis mais explicativas dos modelos foram encontradas usando o algoritmo de explicação local agnóstica de modelo (LIME). Resultados: O domínio do tempo e da frequência mostrou maior precisão e menor perda. O LIME foi usado para identificar as cinco variáveis mais explicativas, que mais tarde foram reintroduzidas no modelo separadamente. A precisão de previsão e a perda foram mantidas, indicando que as variáveis destacadas pela LIME foram as mais importantes e mais explicativas. Conclusão: Os dados de variabilidade da frequência cardíaca podem ser usados para classificar a doença arterial coronariana de indivíduos saudáveis usando redes neurais profundas, e a LIME pode simplificar o modelo, aumentando sua confiabilidade. |
Abstract: | Aim: We aimed to create a DNN capable of detecting subjects with coronary artery disease from healthy subjects, using heart rate variability indexes as a parameter, with as few variables as possible, increasing trust in model output and making the data collection for model deployment in a clinical setting. Methods: We used data collected from 24h holter data from Telemetric and Holter Electrocardiogram Warehouse (THEW) database of 354 patients. Heart rate variability data was extracted from the holters and worked as input of a deep neural network, and the most explanatory models’ variables were found using the LIME. Results: Time and frequency domain showed higher accuracy and lower loss. LIME was used to identify the five most explanatory variables, that were later reintroduced to the model separately. The accuracy and loss were maintained, indicating that the variables highlighted by LIME were the most important and most explanatory. Conclusion: Heart rate variability data can be used to evaluate coronary artery disease from healthy subjects using deep neural networks, and the LIME can simplify the model, increasing its trustworthiness. |
Palavras-chave: | variabilidade da frequência cardíaca; rede neural profunda; aprendizado de máquina; LIME. heart rate variability; deep neural network; machine learning; LIME. |
Área(s) do CNPq: | Cardiologia Ciências da Saúde |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE CIÊNCIAS FISIOLÓGICAS/CCBS |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM BIOTECNOLOGIA - RENORBIO/CCBS |
Citação: | SILVA FILHO, Antonio Carlos Pereira. Classificação da doença arterial coronariana usando a variabilidade da frequência cardíaca: uma abordagem de rede neural profunda com explicação agnóstica de Modelo Interpretável Localmente (LIME). 2023. 49 f. Tese (Programa de Pós-Graduação em Biotecnologia - RENORBIO/CCBS) - Universidade Federal do Maranhão, São Luís, 2023. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/5456 |
Data de defesa: | 19-Dez-2023 |
Aparece nas coleções: | TESE DE DOUTORADO - PROGRAMA DE PÓS-GRADUAÇÃO EM BIOTECNOLOGIA/RENORBIO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
ANTONIOCARLOSPEREIRASILVAFILHO.pdf | Tese de Doutorado | 2,86 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.