Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/69589
Tipo: | Dissertação |
Título: | Espectroscopia molecular acoplada com algoritmos de aprendizado de máquina em saliva: uma rápida e não-invasiva ferramenta de triagem diagnóstica para amelogênese imperfeita |
Autor(es): | Felipe Morando Avelar |
Primeiro Orientador: | Vasco Ariston de Carvalho Azevedo |
Primeiro Coorientador: | Célia Regina Moreira Lanza |
metadata.dc.contributor.advisor-co2: | Robinson Sabino da Silva |
Primeiro membro da banca : | Josimeri Hebling |
Segundo membro da banca: | Douglas Carvalho Caixeta |
Terceiro membro da banca: | Felipe Paiva Fonseca |
Resumo: | A Amelogênese Imperfeita (AI) é uma doença rara do esmalte dental que afeta a dentição decídua e a permanente com a mesma severidade, acarretando problemas mastigatórios, problemas de autoestima e demanda de tratamento complexo de longo-prazo. Uma série de inovadoras plataformas de diagnóstico salivar com menor produção de resíduos, menor custo, não-invasiva e sem utilização de reagentes tem potencial aplicação para doenças orais e sistêmicas. Nossa hipótese é de que uma plataforma biofotônica no infravermelho possa detectar características únicas no espectro salivar de pacientes com amelogênese imperfeita. Desta forma, neste estudo investigou-se a utilização da saliva aplicada em plataforma de espectroscopia de reflexão total atenuada no infravermelho com transformada de Fourier (ATR-FTIR) acoplada a algoritmos de aprendizado de máquinas pode ser utilizada na triagem diagnóstica de pacientes com Amelogênese Imperfeita. Este estudo-piloto com 06 pacientes com Amelogênese Imperfeita e 06 sujeitos saudáveis, sem antecedentes de nenhum tipo de alteração do esmalte dentário e pareados por gênero e idade. A saliva completa não estimulada foi coletada em tubos de polipropileno estéreis, com pelo menos 1 hora de jejum alimentar e ausência de escovação dentaria. Posteriormente, foram armazenadas e congeladas a -80°C. O presente estudo teve como objetivo comparar os modos vibracionais salivares entre pacientes com AI e controles pareados usando espectroscopia ATR-FTIR acoplada à análise discriminante linear (LDA), Random forest e algoritmos de máquina vetorial de suporte (SVM). A classificação dos espectros de infravermelho salivar por LDA mostrou uma sensibilidade de 83%, especificidade de 67% e acurácia de 75% entre AI e controles pareados. O algoritmo SVM discriminou a AI com sensibilidade de 100%, especificidade de 83% e acurácia de 92%. A área espectral entre 1300 cm-1 a 1200 cm-1 pode ser considerada uma área espectral de infravermelho salivar pré-validada como um potencial biomarcador para triagem de AI. Em resumo, a espectroscopia ATR-FTIR acoplada a algoritmos de aprendizado de máquina apresenta potencial para ser aplicada na discriminação de AI pela saliva como ferramenta de triagem adicional em ambientes odontológicos |
Abstract: | Amelogenesis Imperfecta is a rare disease of the dental enamel that affects both primary and permanent dentition with the same severity, causing masticatory and self-esteem problems and demanding complex and prolonged treatment. Successful treatment depends on early detection and intervention. A series of innovative salivary diagnostic platforms with lower waste production, lower cost, and non-invasive and reagent-free use have potential applications for oral and systemic diseases. In this study, we evaluate the potential of ATR-FTIR associated with artificial intelligence algorithms to discriminate amelogenesis imperfecta from matched healthy controls. The pilot study included 06 patients with Amelogenesis Imperfecta and 06 controls matched by gender and age, previously healthy and with no history of any type of dental enamel alteration. Whole unstimulated saliva was collected in sterile polypropylene pots at least 1 hour after feeding or tooth brushing. Subsequently, they were stored and frozen at -80°C. The present study aimed to compare salivary vibrational modes between AI patients and matched controls using ATR-FTIR spectroscopy coupled with linear discriminant analysis (LDA), Random forest and support vector machine (SVM) algorithms. Classification of salivary infrared spectra by LDA showed a sensitivity of 83%, specificity of 67%, and accuracy of 75% between AI and matched controls. The SVM algorithm discriminates AI more than matched controls with 100% sensitivity, 83% specificity, and 92% accuracy. The spectral area between 1300 cm-1 to 1200 cm-1 can be considered a pre-validated salivary infrared spectral area as a potential biomarker for AI screening. In summary, ATR-FTIR spectroscopy coupled with machine learning algorithms can be used on saliva samples to discriminate AI and can be further explored as an additional screening tool for AI in dental settings. |
Assunto: | Inovações tecnológicas Espectroscopia de infravermelho por transformada de Fourier Amelogênese imperfeita Biomarcadores |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Curso: | Programa de Pós-Graduação em Inovação Tecnológica e Propriedade Intelectual |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/69589 |
Data do documento: | 29-Ago-2022 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
29.08.22 Dissertação MESTRADO FELIPE MORANDO AVELAR versão final 2 (1).pdf | 780.67 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.