Quantificação do sinal do tremor parkinsoniano em exames manuscritos em espiral utilizando Machine Learning
Carregando...
Data
2023-10-27
Currículo Lattes
http://lattes.cnpq.br/9840912690440406
Título da Revista
ISSN da Revista
Título de Volume
Editor
Instituto Federal de Educação Ciência e Tecnologia de Alagoas
Resumo
Doença de Parkinson (DP) é uma enfermidade neurológica progressiva que se desenvolve gradualmente
e provoca sintomas motores, como tremores, lentidão nos movimentos (bradicinesia) e
desequilíbrio postural. A DP afeta milhões de pessoas em todo o mundo, especialmente a população
idosa. Os dados da Organização Mundial de Saúde (OMS) mostram que aproximadamente
1% da população mundial com idade superior a 65 anos tem a doença. O diagnóstico da DP é
difícil e o erro de diagnóstico é comum, principalmente nos estágios iniciais. A micrografia é
uma técnica comumente empregada no diagnóstico da doença de Parkinson e consiste essencialmente
em realizar exames manuscritos. Neste contexto, a Aprendizagem de Máquina (AM)
surge como uma ferramenta poderosa para aplicar técnicas de classificação de dados que podem
identificar padrões e auxiliar na detecção da DP. Este estudo utiliza dois modelos de Machine
Learning, sendo eles, Support Vector Machine (SVM) e Random Forest Classifier (RFC), com o
objetivo de classificar exames manuscritos e contribuir para melhorar a precisão e a eficácia no
diagnóstico da DP. Os resultados evidenciam que ambos os modelos obtiveram um desempenho
promissor, com altas taxas de acurácia, atingindo 86% para o RFC e 82% para o SVM. Esses
resultados sugerem que a aplicação da Aprendizagem de Máquina na classificação de exames
manuscritos pode ser uma ferramenta valiosa no diagnóstico da DP.
Descrição
Palavras-chave
Sistemas de Informação, Doença de Parkinson – Micrografia, Machine Learning – Diagnóstico da Doença de Parkinson, Exames em espirais, Machine Learning - Parkinson’s disease, Parkinson’s disease - Micrography, Spiral Exams