Publicação: Desenvolvimento de plataforma biofotônica para triagem diangóstica da sepse pela saliva baseada em algoritmos de inteligência artificial
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::CIENCIAS DA SAUDE::ODONTOLOGIA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Sepse é caracterizada como uma síndrome clínica resultante de uma
resposta inflamatória sistêmica devido a um foco de infecção. A hipótese deste
estudo foi de que a saliva pode ser utilizada como biofluido diagnóstico
associada a uma plataforma biofotônica sustentável e rápida para o diagnóstico
da sepse. O objetivo foi desenvolver uma plataforma de diagnóstico pela saliva
utilizando espectroscopia de infravermelho com transformada de Fourier com
reflectância total atenuada (ATRFTIR) associada com análises univariadas,
multivariadas e inteligência artificial. Materiais e Métodos: Ratos Wistar(~260g)
foram divididos em controle (n=7) e sepse (n=7). O grupo sepse foi submetido a
cirurgia de ligadura e punção cecal (CLP) e os controles à cirurgia SHAM. Após
24 horas, com o animal anestesiado a saliva foi coletada durante 7 minutos e
analisada no ATRFTIR. Foi observado por meio da análise de componentes
principais (PCA) uma separação clara entre controles e sepse. A soma de PC1
e PC2 foi responsável por 95,4% da variância total explicada entre as amostras.
O modo vibracional CH2 derivado de lipídios reduziu no grupo sepse (2933cm1) baseado na análise de segunda derivada, evidenciando possíveis alterações
do metabolismo de lipídios em decorrência da sepse. A análise pelo algoritmo
de máquina de vetores de suporte (SVM) apresentou sensibilidade 0,72%,
especificidade 100% e acurácia 0,87%. A análise pelo algoritmo de Análise
Discriminante Linear (LDA) apresentou sensibilidade de 0,67%, especificidade
de 0,95% e acurácia de 0,82%. Conclusão: Portanto, a utilização da plataforma
ATRFTIR acoplada com algoritmos de inteligência artificial pode ser uma
ferramenta alternativa para triagem diagnóstica da sepse por meio da saliva.
Abstract
Sepsis is characterized as a clinical syndrome resulting from a
systemic inflammatory response due to a focus of infection. The hypothesis of
this study was that saliva can be used as a diagnostic biofluid associated with a
sustainable and rapid biophotonic platform for the diagnosis of sepsis. The aim
of present study was to develop a diagnostic platform using Fourier transformed
infrared spectrometry with total saliva reflectance (ATRFTIR) associated with
univariate and multivariate equipment and artificial intelligence. Materials and
Methods: Wistar rats (~260g) were divided into control (n=7) and sepsis (n=7).
The sepsis group underwent cecal ligation and puncture surgery (CLP) and
controls underwent SHAM surgery. After 24 hours, with the animal anesthetized,
saliva was collected for 7 minutes and analyzed in the ATRFTIR. A clear
separation between controls and sepsis was observed through principal
component analysis (PCA). The sum of PC1 and PC2 was responsible for
95.4% of the total explained variance between samples. The vibrational mode of
CH2 of lipids was reduced in the sepsis group (2933cm1) by second derivative
analysis, showing possible alterations in lipid metabolism as a result of sepsis.
Analysis by the Support Vector Machine (SVM) algorithm showed sensitivity of
0.72%, specificity of 100% and accuracy of 0.87%. Analysis using the Linear
Discriminant Analysis (LDA) algorithm showed a sensitivity of 0.67%, specificity
of 0.95% and accuracy of 0.82% Conclusion: Therefore, the use of the ATRFTIR
platform coupled with artificial intelligence algorithms can be an alternative tool
for diagnostic screening of sepsis using saliva
Palavras-chave
Saliva, Sepsis, Diagnosis, ATR-FTIR, Artificial Intelligence, Saliva, Sepse, Diagnóstico, ATRFTIR, Inteligência Artificial
Citação
MOURA, Douglas Vieira de. Desenvolvimento de plataforma biofotônica para triagem diangóstica da sepse pela saliva baseada em algoritmos de inteligência artificial. 2022. 35 f. Dissertação (Mestrado em Odontologia) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.di.2022.653