Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

AVALIAÇÃO DE ALGORITMOS DE MACHINE LEARNING NA PREDIÇÃO DE DETECÇÃO DOS TRANSCRITOS DO GENE BCR/ABL NA FUNDAÇÃO CENTRO DE HEMOTERAPIA E HEMATOLOGIA DO PARÁ (HEMOPA), BELÉM, PARÁ

Identification

Clé publique
radar:r-3ec27a70274c610afed18b8d08cc3c79
Auteurs
RCd Oliveira · NCCd Almeida · NA Azevedo · PSd Silva · SDB Pacheco · DLdC Miranda · EL Garcêz · KadS Braile · Carmem Lúcia Costal Amaral
Année déclarée
2025
Langue déclarée
en
Type source
article
Première détection
2026-11-14T02:05:32.196299+00:00
Dernière observation des métadonnées
2026-11-14T02:05:32.196299+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Fundação Hemopa

Pays d’affiliation déclarés

BR

Résumé documentaire — langue originale

A translocação que forma o gene de fusão BCR-ABL t(9;22) e seus transcritos b2a2 (e13a2) e b3a2 (e14a2) é um marcador molecular importante no diagnóstico de cerca de 95% dos casos de Leucemia Mielóide Crônica e 5% da Leucemia Linfoblástica Aguda. A Reação em Cadeira da Polimerase em Tempo Real (RT-qPCR) é método padrão-ouro na detecção desses transcritos. Contudo, estratégias computacionais como Machine Learning (ML) podem explorar variáveis laboratoriais e demográficas rotineiras, ampliando o suporte à tomada de decisão e à triagem laboratorial. Machine Learning (ML) é um conjunto de métodos computacionais capazes de “aprender” padrões a partir de dados e fazer previsões ou classificações sem programação explícita para cada regra. No contexto laboratorial, esses algoritmos conseguem combinar variáveis (como idade, sexo e parâmetros hematológicos) para estimar a probabilidade de um desfecho molecular (como a detecção dos transcritos BCR-ABL). Avaliar o desempenho de algoritmos de ML na predição de resultados de RT-qPCR para BCR-ABL, com base em dados laboratoriais e demográficos de pacientes atendidos na Fundação Centro de Hemoterapia e Hematologia (HEMOPA). Estudo retrospectivo, transversal e quantitativo, aprovado pelo Comitê de Ética (CAAE: 20528519.8.0000.5550). Os dados utilizados foram obtidos de ensaios realizados no Laboratório de Biologia Molecular e Celular no HEMOPA 2015 a 2019. Os modelos foram treinados e avaliados na plataforma Orange Data Mining, com base em resultados de RT-qPCR, com desfecho Detectável (Det)/Indetectável (Ind) ocultado no conjunto de teste. Para treinamento, empregaram-se 368 exames coletados entre 2015-2018; o conjunto de validação incluiu 73 amostras de 2019. Como variáveis preditoras, incluiram dados demográficos (sexo e idade) e parâmetros do hemograma. Empregou-se validação cruzada estratificada (widget Test and Score) e matriz de confusão para aferir acertos e erros do treino e avaliar os algoritimos com maior desempenho. Na fase de treinamento, os algoritmos Random Forest, Neural Network, Logistic Regression, Gradient Boosting, AdaBoost e Decision Tree apresentaram um bom desempenho (acurácia >75%). No teste com 73 amostras, as taxas de acerto dos quatro melhores modelos foram: Random Forest (62/73; 84,9% — Det: 31/33; Ind: 31/40), Gradient Boosting (61/73; 83,6% — Det: 30/33; Ind: 31/40), Logistic Regression (60/73; 82,2% — Det: 27/33; Ind: 33/40) e Neural Network (56/73; 76,7% — Det: 32/33; Ind: 24/40). Algoritmos de ensemble (Random Forest e Gradient Boosting) apresentaram melhor acurácia e equilíbrio entre sensibilidade e especificidade frente a métodos tradicionais e redes neurais, se mostrando promissores para contribuir no controle de qualidade dos testes de qPCR para BCR/ABL. Apesar da adoção crescente de ML na saúde, seu uso formal em rotina laboratorial ainda não é tão comum. Este estudo evidencia o potencial do aprendizado de máquina para otimizar resultados. Os modelos de ML utilizados demonstram capacidade promissora na predição de resultados. Futuras pesquisas devem otimizar parâmetros, ampliar dados, incluir variáveis clínicas e realizar validação multicêntrica para consolidar resultados e incentivar sua adoção em rotina laboratorial, contribuindo na melhoria de recursos diagnósticos no contexto do SUS.

Identifiants

OPENALEX
https://openalex.org/W4415670195
DOI
10.1016/j.htct.2025.104400

Repères documentaires

Famille documentaire
article
Types déclarés par les sources
article
Éditeurs
Elsevier BV

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

RCd Oliveira; NCCd Almeida; NA Azevedo; PSd Silva; SDB Pacheco; DLdC Miranda; EL Garcêz; KadS Braile; Carmem Lúcia Costal Amaral. AVALIAÇÃO DE ALGORITMOS DE MACHINE LEARNING NA PREDIÇÃO DE DETECÇÃO DOS TRANSCRITOS DO GENE BCR/ABL NA FUNDAÇÃO CENTRO DE HEMOTERAPIA E HEMATOLOGIA DO PARÁ (HEMOPA), BELÉM, PARÁ. 2025. https://doi.org/10.1016/j.htct.2025.104400

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
RCd Oliveira; NCCd Almeida; NA Azevedo; PSd Silva; SDB Pacheco; DLdC Miranda; EL Garcêz; KadS Braile; Carmem Lúcia Costal Amaral. (2025). AVALIAÇÃO DE ALGORITMOS DE MACHINE LEARNING NA PREDIÇÃO DE DETECÇÃO DOS TRANSCRITOS DO GENE BCR/ABL NA FUNDAÇÃO CENTRO DE HEMOTERAPIA E HEMATOLOGIA DO PARÁ (HEMOPA), BELÉM, PARÁ. https://doi.org/10.1016/j.htct.2025.104400
Chicago
RCd Oliveira; NCCd Almeida; NA Azevedo; PSd Silva; SDB Pacheco; DLdC Miranda; EL Garcêz; KadS Braile; Carmem Lúcia Costal Amaral. AVALIAÇÃO DE ALGORITMOS DE MACHINE LEARNING NA PREDIÇÃO DE DETECÇÃO DOS TRANSCRITOS DO GENE BCR/ABL NA FUNDAÇÃO CENTRO DE HEMOTERAPIA E HEMATOLOGIA DO PARÁ (HEMOPA), BELÉM, PARÁ. 2025. https://doi.org/10.1016/j.htct.2025.104400
ISO 690
RCd Oliveira; NCCd Almeida; NA Azevedo; PSd Silva; SDB Pacheco; DLdC Miranda; EL Garcêz; KadS Braile; Carmem Lúcia Costal Amaral. AVALIAÇÃO DE ALGORITMOS DE MACHINE LEARNING NA PREDIÇÃO DE DETECÇÃO DOS TRANSCRITOS DO GENE BCR/ABL NA FUNDAÇÃO CENTRO DE HEMOTERAPIA E HEMATOLOGIA DO PARÁ (HEMOPA), BELÉM, PARÁ. 2025. https://doi.org/10.1016/j.htct.2025.104400

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. AVALIAÇÃO DE ALGORITMOS DE MACHINE LEARNING NA PREDIÇÃO DE DETECÇÃO DOS TRANSCRITOS DO GENE BCR/ABL NA FUNDAÇÃO CENTRO DE HEMOTERAPIA E HEMATOLOGIA DO PARÁ (HEMOPA), BELÉM, PARÁ. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-3ec27a70274c610afed18b8d08cc3c79/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.1016/j.htct.2025.104400

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature