Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/49514
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Karina Braga Gomes Borges | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0798429800100457 | pt_BR |
dc.contributor.advisor-co1 | Inês Katerina Damasceno Cavallo Cruzeiro | pt_BR |
dc.contributor.advisor-co2 | Wagner Meira Júnior | pt_BR |
dc.contributor.referee1 | Alamanda Kfoury Pereira | pt_BR |
dc.contributor.referee2 | Adriano de Paula Sabino | pt_BR |
dc.creator | Nayara Cristina Nunes Barreto | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/5700552459655532 | pt_BR |
dc.date.accessioned | 2023-02-03T15:47:04Z | - |
dc.date.available | 2023-02-03T15:47:04Z | - |
dc.date.issued | 2021-05-05 | - |
dc.identifier.uri | http://hdl.handle.net/1843/49514 | - |
dc.description.abstract | Infertility, defined as the absence of conception after an period of 12 months of unprotected sexual intercourse, has become a global health problem. Infertility affects about 37 to 70 million couples worldwide, which justifies the increase in the number of couples looking for in vitro fertilization (IVF). Despite advances and technical improvements in artificial fertilization procedures, some couples are unable to succeed due to the high complexity of the technique and several variables, controllable or not, that can compromise the final result. Machine Learning (ML) is a sub-area of Artificial Intelligence that is dedicated to the study of algorithms and statistical models to perform a procedure without the need for the use of explicit instructions, in order to generate predictive models of the outcome. The objective of this study was to apply ML models to predict the success of pregnancy after the IVF procedure in a public health service, including pre-implantation variables. This study included the analysis of a database comprising 771 cases of couples undergoing IVF at the Hospital das Clínicas of the Federal University of Minas Gerais, between 2013 and 2019. The ML-based algorithms were used: Logistic Regression, Randon Forest, XG Boost and Support Vector Machines (SVM). The Random Forest algorithm showed the best performance, with better accuracy, sensitivity and area under the ROC curve, indicating the 20 variables, among the 90 totals in the database, that are most relevant to predict the success of pregnancy after IVF. Our ML algorithm can be useful for predicting pregnancy in women undergoing IVF, as well as defining the variables in which clinical intervention can improve treatment success. | pt_BR |
dc.description.resumo | A infertilidade, definida como ausência de concepção após um período médio de 12 meses de relação sexual desprotegida, tornou-se um problema de saúde global. A infertilidade afeta cerca de 37 a 70 milhões de casais em todo o mundo, o que justifica o aumento do número de casais em busca de fertilização in vitro (FIV). Apesar dos avanços e aprimoramentos técnicos nos procedimentos de fertilização artificial, alguns casais não conseguem ter sucesso devido à alta complexidade da técnica e aos vários fatores, controláveis ou não, que podem comprometer o resultado final. Machine Learning (ML) é uma subárea da Inteligência Artificial que se dedica ao estudo de algoritmos e modelos estatísticos para executar uma determinada tarefa sem a necessidade do uso de instruções explícitas, com o intuito de gerar modelos preditivos do desfecho. O objetivo deste estudo foi aplicar modelos de ML para predizer o sucesso de gestação em mulheres submetidas ao procedimento de FIV em um serviço público de saúde, incluindo variáveis pré-implantacionais. Este estudo incluiu a análise de um banco de dados compreendendo 771 casos de casais submetidos à FIV no Hospital das Clínicas da Universidade Federal de Minas Gerais, entre 2013 e 2019. Foram utilizados os seguintes algoritmos baseados em ML: Regressão Logística, Randon Forest, XG Boost e Support Vector Machines (SVM). O algoritmo Random Forest apresentou o melhor desempenho, com melhor acurácia, sensibilidade e área sob a curva ROC, indicando as 20 variáveis, dentre as 90 totais do banco de dados, que são mais relevantes para predizer o sucesso da gravidez após a FIV. Nosso algoritmo de ML pode ser útil para estimar a chance de gravidez em mulheres submetidas à FIV, bem como definir as variáveis nas quais a intervenção clínica pode melhorar o sucesso do tratamento. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | FARMACIA - FACULDADE DE FARMACIA | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Análises Clínicas e Toxicológicas | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Infertilidade | pt_BR |
dc.subject | FIV / ICSI | pt_BR |
dc.subject | Modelo de predição | pt_BR |
dc.subject | Machine learning | pt_BR |
dc.subject | Random forest | pt_BR |
dc.title | Predição do sucesso de gestação utilizando algoritmos de machine learning após procedimentos de fertilização in vitro realizados por um serviço de atendimento público de saúde. | pt_BR |
dc.type | Dissertação | pt_BR |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Trabalho final Nayara CORRETO02-01.pdf | 1.68 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.