Dados do Trabalho

Título

AVALIAÇAO DO DESEMPENHO DE ALGORITMOS DE APRENDIZADO DE MAQUINA NA PREDIÇAO DE PRESENÇA DE PLACA ATEROSCLEROTICAS COM O USO DE SUBCAMADAS CAROTIDEAS EM PACIENTES HIPERTENSOS.

Introdução

A hipertensão arterial é um fator de risco para aterosclerose. O aumento da espessura da íntima-média carotídea (EIMc) e a presença de placa aterosclerótica carotídea têm sido considerados marcadores de aterosclerose subclínica. A EIMc compreende não apenas a camada íntima (EIc), mas também a camada média (EMc). Estudo recente de nosso grupo sugere que a EIc apresenta maior valor discriminatório para identificar placas ateroscleróticas do que EMc e EIMc. O objetivo desse estudo foi aplicar algoritmos de Aprendizado de Máquina (ML), para avaliar a associação das medidas das subcamadas carotídeas com a presença de placa aterosclerótica carotídea em pacientes hipertensos.

Métodos

Avaliamos as características clínicas e carotídeas de 177 pacientes hipertensos (idade: 61 ± 11 anos, 57 % mulheres) acompanhados no Ambulatório de Hipertensão arterial de um hospital universitário. Imagens de alta resolução das artérias carótidas foram obtidas por ultrassonografia com transdutor de 10MHz e as subcamadas foram medidas usando um software de processamento de imagem. Foram empregados 7 algoritmos de ML: Árvores de Decisões do tipo binária (BDT), Random Forest (RF), Máquinas de Vetor Suporte (SVM) com kernels gaussiano e linear, Regressão Logística (LR), Rede Neural totalmente conectada (MLP) e o K-Neighbours Near (KNN). 

Resultados

A coorte foi dividida em conjuntos de treinamento (n=150) e teste (n=27). Entre todos os pacientes, havia 59% com placa carotídea. A subcamada carotídea que melhor previu a presença de placa aterosclerótica foi a EIc com uma área sob a curva (AUC) de 0.92 na combinação dos 7 algoritmos. Para a EMc, obtivemos uma AUC de 0.64. Já na medida de EIMc a AUC foi de 0.72. Os algoritmos SVM gaussiano e o MLP foram os melhores classificadores com acurácia, sensibilidade e precisão de 93% e especificidade de 91%. Nos dados do teste utilizando a EIc, 14 de 15 pacientes com placa aterosclerótica (sensibilidade de 0,93) e 11 de 12 pacientes sem placa aterosclerótica (especificidade de 0,92) foram classificados corretamente usando o modelo combinado.

Conclusões

Nossas análises demonstraram que o uso do ML e principalmente dos algoritmos SVM gaussiano e MLP podem ser classificadores precisos na predição da presença de placas ateroscleróticas e a EIc como melhor parâmetro para esta finalidade em pacientes com hipertensão, conseguindo aprender padrões em uma população heterogênea com acurácia.

Palavras-chave

Inteligência Artificial, Aterosclerose, Íntima-média carotídea