Biomarcadores topográficos baseados em eletrencefalogramas coletados durante tarefas de memória operacional para suporte ao diagnóstico precoce da doença de Alzheimer
Descripción del Articulo
En esta investigación se diseñaron tres estudios para mejorar y validar biomarcadores topográficos basados en el análisis computacional de electroencefalogramas (EEG) recolectados durante la ejecución de tareas de memoria de trabajo N-back, con el objetivo de brindar soporte para el diagnóstico prec...
| Autor: | |
|---|---|
| Formato: | tesis doctoral |
| Fecha de Publicación: | 2019 |
| Institución: | Superintendencia Nacional de Educación Superior Universitaria |
| Repositorio: | Registro Nacional de Trabajos conducentes a Grados y Títulos - RENATI |
| Lenguaje: | portugués |
| OAI Identifier: | oai:renati.sunedu.gob.pe:renati/2247 |
| Enlace del recurso: | http://renati.sunedu.gob.pe/handle/sunedu/2028654 |
| Nivel de acceso: | acceso abierto |
| Materia: | Biomarcadores Memoria a corto plazo Enfermedad de Alzheimer Aprendizaje automático https://purl.org/pe-repo/ocde/ford#1.00.00 https://purl.org/pe-repo/ocde/ford#1.02.02 |
| Sumario: | En esta investigación se diseñaron tres estudios para mejorar y validar biomarcadores topográficos basados en el análisis computacional de electroencefalogramas (EEG) recolectados durante la ejecución de tareas de memoria de trabajo N-back, con el objetivo de brindar soporte para el diagnóstico precoz del deterioro cognitivo leve y de la enfermedad de Alzheimer. En el primer estudio se analizaron los potenciales relacionados a eventos, en la que se encontró diferencias significativas en el intervalo de 400 a 700 ms post estímulo en el componente P450. En el segundo estudio se analizaron los registros electroencefalográficos en las tareas de memoria operacional, encontrando diferencias significativas principalmente en las regiones del lóbulo frontal y temporal. Finalmente, en el tercer estudio se hizo la clasificación automática a través de técnicas de aprendizaje de máquina con clasificadores basados en el lenguaje de programación Python, el cual alcanzó una precisión, sensibilidad y especificidad en torno al 94%, este método de extracción de características logra superar los mejores desempeños reportados en la literatura, lo que indica que esta técnica puede representar una herramienta clínicamente relevante para apoyar el diagnóstico temprano de deterioro cognitivo leve y de la enfermedad de Alzheimer. |
|---|
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).