Machine Learning e Análise Multivariada aplicados à Sobrevida do Câncer Mama

Autores

  • Talita Santos Pinheiro Programa de Pós-Graduação em Engenharia Biomédica, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.
  • Erika Yahata Programa de Pós-Graduação em Engenharia da Informação, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, Santo André (SP), Brasil.
  • Pablo Deoclecia dos Santos Programa de Pós-Graduação em Engenharia Biomédica, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.
  • Fellipe Soares de Oliveira Programa de Pós-Graduação em Engenharia Biomédica, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.
  • André Kazuo Takahata Programa de Pós-Graduação em Engenharia da Informação, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, Santo André (SP), Brasil.
  • Ricardo Suyama
  • Harki Tanaka
  • Tiago Ribeiro Oliveira Programa de Pós-Graduação em Engenharia Biomédica, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.
  • Ana Paula Romani Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.
  • Priscyla Waleska Simoes Programa de Pós-Graduação em Engenharia Biomédica, Programa de Pós-Graduação em Engenharia da Informação, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.

Palavras-chave:

Análise de Sobrevida, Aprendizado de Máquina, Câncer mama

Resumo

Objetivo: O presente estudo apresenta os resultados da Regressão Multivariada de Cox e do algoritmo Random Survival Forest na análise de sobrevida de pacientes com câncer de mama. Métodos: O estudo considerou uma amostra que continha dados de 4024 pacientes do sexo feminino diagnosticadas no período de 2006 a 2010 com câncer de mama (carcinoma ductal invasivo e carcinoma lobular). Resultados: A análise multivariada revelou a idade, tamanho do tumor e estadiamento como fatores de risco, que também foram considerados relevantes entre os atributos com maior ganho de informação pelo modelo apresentado pelo algoritmo Random Survival Forest.  Conclusão: Temos evidências que o modelo apresentado pelo algoritmo Random Survival Forest considerado na análise de sobrevida de câncer de mama apresentou-se em concordância com os resultados da estatística multivariada, e que os resultados são promissores para a prática clínica.

Biografia do Autor

Priscyla Waleska Simoes, Programa de Pós-Graduação em Engenharia Biomédica, Programa de Pós-Graduação em Engenharia da Informação, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.

Professor Adjunto do Curso de Engenharia Biomédica da Universidade Federal do ABC. Possui doutorado em Ciências da Saúde (2012) pela Universidade do Extremo Sul Catarinense (UNESC), na área de Epidemiologia; Mestrado em Ciência da Computação (2001) pela Universidade Federal de Santa Catarina (UFSC), na área de Inteligência Artificial; e graduação em Ciência da Computação (1997), pela Universidade do Vale do Itajaí (UNIVALI). Atua principalmente na orientação e desenvolvimento de projetos associados à Informática Biomédica (Telemedicina e Teelessaúde), Inteligência Artificial, Epidemiologia, e Revisões Sistemáticas (Prática Baseada em Evidências). Possui um significativo número de orientações concluídas de Mestrado, Iniciação Científica e Conclusão de Curso, e de artigos publicados em periódicos indexados, livros, capítulos, e trabalhos publicados em eventos científicos nacionais e internacionais. É referee em congressos nacionais e internacionais. Revisora de periódicos nacionais e internacionais. Membro da Sociedade Brasileira de Informática em Saúde.

Downloads

Publicado

02-07-2022

Como Citar

Pinheiro, T. S., Yahata, E., Santos, P. D. dos, Oliveira, F. S. de, Takahata, A. K., Suyama, R., … Simoes, P. W. (2022). Machine Learning e Análise Multivariada aplicados à Sobrevida do Câncer Mama. Journal of Health Informatics, 14(Especial). Recuperado de https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/971

Edição

v. 14 (2022): Número Especial - XVIII Congresso Brasileiro de Informática em Saúde - CBIS 2021

Seção

CBIS 2021

Licença

Copyright (c) 2022 Talita Santos Pinheiro, Erika Yahata, Pablo Deoclecia dos Santos, Fellipe Soares de Oliveira, André Kazuo Takahata, Ricardo Suyama, Harki Tanaka, Tiago Ribeiro Oliveira, Ana Paula Romani, Priscyla Waleska Simoes

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 10 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.

Artigos mais lidos pelo mesmo(s) autor(es)