Navegando por Autor "Dalmolin, Matheus Gibeke Siqueira"
Agora exibindo 1 - 2 de 2
- Resultados por página
- Opções de Ordenação
Dissertação Análise baseada em biologia de sistemas destaca processos alterados que afetam a sobrevida geral de pacientes com sarcoma de Ewing(Universidade Federal do Rio Grande do Norte, 2022-04-06) Dalmolin, Matheus Gibeke Siqueira; Sinigaglia, Marialva; http://lattes.cnpq.br/5450809564180533; https://orcid.org/0000-0002-5400-0909; http://lattes.cnpq.br/6696965491888991; Almeida, Rita Maria Cunha de; Gregianin, Lauro JoséO Sarcoma de Ewing (SE) é uma doença altamente agressiva e a segunda neoplasia óssea pediátrica mais frequente. A marca registrada do SE é a presença do fator de transcrição aberrante EWSR1-FLI que impulsiona a reprogramação metabólica. Os procedimentos terapêuticos aumentaram parcialmente a sobrevida do SE, mas ainda apresentam alta toxicidade e causam morbidade significativa. Para sugerir estratégias terapêuticas mais eficientes, é necessário um entendimento mais abrangente das vias que impactam a sobrevivência do SE para o desenvolvimento de novos diagnósticos e estratégias terapêuticas. Aqui, identificamos diferenças no nível de transição entre pacientes com SE com sobreviventes de curto prazo (SCP) e sobreviventes de longo prazo (SLP) com base em dados transcricionais disponíveis em três conjuntos de dados públicos, aplicando a análise do transcriptograma. Três agrupamentos comuns diferencialmente expressos nas coortes analisadas foram identificados. Processos relacionados à resposta e reparo ao dano do DNA, resposta imune, apoptose e autofagia foram desregulados entre os grupos SCP e SLP. Além disso, o enriquecimento funcional dos genes comuns entre três clusters e regulons ES destacam o upregulation da via Hippo em pacientes SCP. Nossa análise sugere que diferentes processos podem estar orientando o desfecho de pacientes com SE de forma integrada e podem contribuir para a diversidade de fenótipos impulsionados pela flutuação da expressão de EWSR1-FLI1.TCC Predição de risco de mortalidade infantil em neonatos prematuros baseado em aprendizagem de máquina(Universidade Federal do Rio Grande do Norte, 2025-01-17) Freitas, Gabriel Ribeiro de; Fernandes, Marcelo Augusto Costa; 0000-0001-7536-2506; http://lattes.cnpq.br/3475337353676349; http://lattes.cnpq.br/3059452822334844; Silva, Lucileide Medeiros Dantas da; http://lattes.cnpq.br/4888844108485691; Dalmolin, Matheus Gibeke Siqueira; 0000-0002-5400-0909; http://lattes.cnpq.br/6696965491888991O estudo investiga a aplicação de modelos de Machine Learning (ML) na predição do risco de mortalidade em neonatos prematuros, um dos desafios mais significativos da medicina neonatal contemporânea. A pesquisa explora como técnicas avançadas de ML, como Gradient Boosting, Redes Neurais, Regressão Logística e Naive Bayes, podem desenvolver sistemas preditivos precisos e confiáveis para identificar neonatos em maior risco, visando melhorar intervenções e reduzir a mortalidade infantil. A hipótese central sugere que cada modelo possui diferentes potenciais na predição desses riscos, sendo avaliado com base em desempenho, integração clínica e contribuição para políticas de saúde pública. A metodologia incluiu uma revisão sistemática da literatura e o desenvolvimento de um dataset próprio, construído a partir de dados públicos do SIM e SINASC. Esses dados foram refinados e ajustados para eliminar inconsistências e garantir sua aplicabilidade em técnicas de ML, criando uma base direcionada e consistente. A análise dos modelos indicou que, embora todos apresentem aplicabilidade, aspectos como viés nos dados, interpretabilidade e integração clínica variam entre eles. Concluiu-se que a escolha do modelo ideal deve equilibrar precisão, transparência e aplicabilidade clínica, considerando ainda questões éticas relacionadas à privacidade e ao consentimento informado.