Author(s):
Cristiano, Mariana Vitória de Menezes Bordalo
Date: 2017
Persistent ID: http://hdl.handle.net/10400.8/2927
Origin: IC-online
Subject(s): Curva ROC; Diagnóstico; Sensibilidade; Especificidade; Padrão reticular; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
Description
A fiabilidade de qualquer diagnóstico clínico é fundamental para o sucesso de um sistema de saúde. Deste modo, é crucial dispor de medidas que permitam aferir, de forma intuitiva, a qualidade de testes para classificar indivíduos como doentes ou saudáveis relativamente a determinada doença. Conceitos básicos da epidemiologia, tais como acurácia, sensibilidade, especificidade, valores preditivos positivo e negativo, razões de verosimilhança positiva e negativa permitem aferir o melhor desempenho entre diferentes testes. A curva ROC, ao representar a sensibilidade e a especificidade para todos os possíveis valores para o ponto de corte, é uma das ferramentas mais utilizadas para avaliar e comparar diferentes tipos de metodologias de diagnóstico. Além disso, a área sob a curva ROC é uma medida objetiva do desempenho do teste associado. Nesta dissertação aplica-se a curva ROC a um caso de estudo cujos dados representam os resultados de um teste de diagnóstico ao cancro da pele que, com recurso a técnicas de imagiologia, procura detetar a presença de padrão reticular de forma a diagnosticar melanomas. A base de dados utilizada contém informação sobre 158 imagens dermatoscópicas. Através de técnicas de processamento de imagem, cada imagem foi filtrada em 9 escalas diferentes e cada escala dividida em 26 medidas. Para cada um dos 234 resultados, foram aplicadas três avaliações distintas: desvio padrão, energia e entropia. Como aplicação ao caso de estudo, foram analisadas duas metodologias distintas. A primeira procura a medida que gera a “melhor” curva, considerando a área abaixo da mesma. A segunda consiste na procura do “melhor” ponto de corte de uma dada curva, através da maximização da soma da sensibilidade e especificidade ou da minimização da distância ao ponto ideal (ausência de erros de classificação). Em ambas as metodologias utilizaram-se medidas agrupadas, através da média aritmética ou da média ponderada, recorrendo ao algoritmo Adaboost, ou simplesmente os dados originais. Os resultados obtidos evidenciam que o agrupamento de medidas permite alcançar resultados mais fiáveis. Todavia, devem ser utilizadas técnicas que permitam uma análise prévia das medidas a utilizar, bem como das ponderações adequadas para cada uma dessas medidas, uma vez que a utilização da média aritmética (ponderação igual em todas as medidas), na maioria das situações, demonstrou mau desempenho.