Please use this identifier to cite or link to this item: https://hdl.handle.net/10316/110811
Title: Modelos baseados em inteligência artificial para deteção de osteoporose: projeto OSSEUS
Other Titles: Artificial intelligence-based models for osteoporosis detection: OSSEUS project
Authors: Guia, Daniela Filipa Neves
Orientador: Teixeira, César Alexandre Domingues
Keywords: osteoporosis; prevention; risk assessment and diagnosis; artificial intelligence algorithms; preditive models; osteoporose; prevenção; fatores de risco e diagnóstico; algoritmos de inteligência artificial; modelos preditivos
Issue Date: 26-Sep-2023
Serial title, monograph or event: Modelos baseados em inteligência artificial para deteção de osteoporose: projeto OSSEUS
Place of publication or event: CISUC
Abstract: Osteoporosis, one of the most prevalent bone diseases worldwide, is an increasingly global problem. Chronic, systemic, and silent, this disease is characterized by bone fragility, with fractures as its primary consequence. It exerts profound impacts on quality of life and increased mortality, particularly among the elderly.Despite the known of risk factors, diagnosis remains complex, costly, and often inaccessible, underscoring the need for effective screening and preventive solutions.In this context, this study aims to explore a solution based on data from the OSSEUS project, using correlations between risk factors and Artificial Intelligence, employing Machine Learning algorithms such as Logistic Regression and Support Vector Machine for early diagnosis of osteoporosis.The process involves algorithm training and learning, followed by performance assessment based on metrics like sensitivity, specificity, and F-measure. While the results have demonstrated sensitivity and F-measure values in line with expectations, improving specificity is crucial to minimize false positives and enhance predictive model accuracy.In conclusion, according to the developed models, this analysis provides valuable insights into osteoporosis identification, thereby fostering the development of more effective preventive solutions. This not only reduces the impact of this condition on patients' quality of life but also mitigates the associated economic burden...................................................................................................................................
A osteoporose, uma das doenças ósseas mais prevalentes mundialmente, constitui um desafio global crescente. Crónica, sistémica e silenciosa, esta doença é caracterizada por fragilidade óssea, tendo como principal consequência as fraturas. Apresenta impactos profundos na qualidade de vida e aumento da mortalidade, principalmente em idosos.Apesar dos fatores de risco já conhecidos, o diagnóstico permanece complexo, dispendioso e muitas vezes inacessível, o que enfatiza a necessidade de soluções eficazes de triagem e prevenção.Nesse contexto, este estudo visa explorar uma solução baseada nos dados do projeto OSSEUS com recurso a correlações entre fatores de risco e Inteligência Artificial. Em particular foram usados algoritmos de Machine Learning como Regressão Logística e Support Vector Machine para diagnóstico precoce da osteoporose.O processo envolve treino e aprendizagem dos algoritmos, seguido da avaliação do desempenho com base em métricas como sensibilidade, especificidade e F-measure. Embora os resultados tenham demonstrado valores de sensibilidade e F-measure em linha com as expectativas, é crucial melhorar a especificidade para minimizar falsos positivos e aprimorar a precisão do modelo preditivo. Concluindo, de acordo com os modelos desenvolvidos, esta análise oferece insights valiosos na identificação da osteoporose, proporcionando e impulsionando o desenvolvimento de soluções preventivas mais eficazes, reduzindo tanto o impacto desta condição na qualidade de vida dos doentes como o impacto económico associado.
Description: Trabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
URI: https://hdl.handle.net/10316/110811
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File SizeFormat
TESE_DanielaGuia_MEB_22_23.pdf1.74 MBAdobe PDFView/Open
Show full item record

Page view(s)

14
checked on Feb 20, 2024

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons