Resumo: A recorrência da trombose venosa pode acometer até 30 % dos pacientes após um primeiro episódio, em 5 anos. Após um primeiro episódio trombótico, o tratamento padrão é a administração de um medicamento anticoagulante por 3 a 6 meses. Porém, após esse período, a probabilidade de recorrência, em um percentual de pacientes, ainda é incerta. Diversos scores foram desenvolvidos para o cálculo dessa probabilidade na última década, mas todos possuem diversas limitações. Dentro desse contexto, se destacam as Redes Neurais Artificiais e sua versatilidade no aprendizado e generalização. Assim, o objetivo principal deste trabalho foi obter modelos neurais para predizer quais pacientes poderão ter recorrência de trombose com base somente em dados clínicos e laboratoriais. Primeiramente, foram coletados dados de 39 fatores para 235 pacientes que apresentaram uma primeira trombose nos membros inferiores ou no sistema nervoso central. Então, foram identificados os principais fatores para trombose recorrente, empregando-se a Análise de Componentes Principais. Em seguida, diversos modelos neurais foram ajustados considerando-se diferentes conjuntos de variáveis de entrada: i) os 39 fatores, e ii) os fatores principais determinados pela Análise de Componentes Principais. Também foram propostos dois modelos alternativos cujo conjunto de entrada foi composto da resposta dada pela Análise de Componentes Principais e aspectos práticos. Os resultados mostraram que apenas variáveis do hemograma, bem como dados da primeira trombose são suficientes para se determinar se um paciente apresentará recorrência. Além disso, foi possível verificar que as redes neurais artificiais são capazes de predizer o fenômeno com precisão, atingindo coeficientes de correlação igual a 0,99999. Este trabalho mostrou que a associação de técnicas estatísticas multivariadas e inteligência artificial pode ser uma alternativa eficaz para auxiliar na predição de retrombose e das mais diversas enfermidades Ver menos

Abstract: Recurrent thrombosis is a disease that occurs in about 30 % of venous thromboembolism cases. When a patient presents a first thrombotic event, the main treatment is anticoagulation therapy along 3 months. After this period, the probability of recurrence is uncertain. Several statistical methods to calculate this probability were developed during the last decade, but all of them present several limitations. In this context, Artificial Neural Networks gain importance especially due its versatility and generalization capabilities. Thus, the main objective of this work was to obtain neural models to predict which patients will present recurrent thrombosis considering only clinical and laboratorial data. First, it was collected information about 39 clinical factors of 235 patients that presented a first thrombotic event in inferior members or central nervous system. Then, it was determined the recurrent thrombosis main factors using Principal Component Analysis. Several artificial neural networks structures were trained considering different input variables: i) the 39 factors, and ii) the main factors indicated by principal component analysis. Also, two alternative models were proposed considering a combination of the Principal Component Analysis and practical aspects. The results showed that only hemogram variables, as well as characteristics of the first thrombosis are sufficient to determine if a patient will present recurrent thrombosis. Besides, the artificial neural networks are capable to predict the phenomenon accurately, with correlation coefficients of 0,99999. This work showed that the association of statistical multivariate techniques and artificial intelligence models can be an efficient alternative to help clinicians predict recurrent thrombosis and also different diseases Ver menos