
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Alarcón-Narváez, Daniel | - |
| Autor(es): dc.creator | Hernández-Torruco, José | - |
| Autor(es): dc.creator | Hernández-Ocaña, Betania | - |
| Autor(es): dc.creator | Chávez-Bosquez, Oscar | - |
| Autor(es): dc.creator | Marchi, Jerusa | - |
| Autor(es): dc.creator | Méndez-Castillo, Juan José | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:10:38Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:10:38Z | - |
| Data de envio: dc.date.issued | 2022-02-14 | - |
| Data de envio: dc.date.issued | 2022-02-14 | - |
| Data de envio: dc.date.issued | 2020 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/49329 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1135336 | - |
| Descrição: dc.description | Guillain-Barré Syndrome (GBS) is a neurological disorder affecting people of any age and sex, mainly damaging the peripheral nervous system. GBS is divided into several subtypes, in which only four are the most common, demanding different treatments. Identifying the subtype is an expensive and time-consuming task. Early GBS detection is crucial to save the patient’s life and not aggravate the disease. This work aims to provide a primary screening tool for GBS subtypes fast and efficiently without complementary invasive methods, based only on clinical variables prospected in consultation, taken from clinical history, and based on risk factors. We conducted experiments with four classifiers with different approaches, five different filters for feature selection, six wrappers, and One versus All (OvA) classification. For the experiments, we used a data set that includes 129 records of Mexican patients and 26 clinical representative variables. Random Forest filter obtained the best results in each classifier for the diagnosis of the four subtypes, in the same way, this filter with the SVM classifier achieved the best result (0.6840). OvA with SVM classifier reached a balanced accuracy of 0.8884 for the Miller-Fisher (MF) subtype. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | SAGE Journals | - |
| Direitos: dc.rights | Attribution-NonCommercial 4.0 International | - |
| Direitos: dc.rights | Attribution-NonCommercial 4.0 International | - |
| Direitos: dc.rights | acesso aberto | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-nc/4.0/ | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-nc/4.0/ | - |
| ???dc.source???: dc.source | Health Informatics Journal | - |
| Palavras-chave: dc.subject | Feature selection methods | - |
| Palavras-chave: dc.subject | Multiclass classification | - |
| Palavras-chave: dc.subject | Single classifiers | - |
| Palavras-chave: dc.subject | Performance measures | - |
| Palavras-chave: dc.subject | Predictive model | - |
| Título: dc.title | Toward a machine learning model for a primary diagnosis of Guillain-Barré syndrome subtypes | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: