Título: Identificação de metabólitos no plasma e urina com potencial uso como biomarcadores para o monitoramento dos efeitos adversos dos AINEs em gatos via aprendizado de máquina
Autores: Cecilia Aparecida Santos Silva, Danton Diego Ferreira, Marcos Ferrante, Nicolas Villarino
Resumo: Os anti-inflamatórios não esteróides (AINEs), como o meloxicam, podem ser usados para melhorar a dor crônica e, ao mesmo tempo, ajudar a reduzir o uso de opióides. No entanto, a administração crônica desses medicamentos pode causar danos gastrointestinais e renais em alguns pacientes, limitando as opções terapêuticas desses pacientes que necessitam de controle da dor e da inflamação. A fim de discriminar animais que receberam AINEs de animais saudáveis (controle) e determinar em qual estágio estão os efetivos dos AINEs no organismo do paciente, foram desenvolvidos 2 modelos, um k-nearest neighbors algorithm (KNN) e um Gaussian Naive Bayes algorithm (NB). A base de dados usada é composta por um grupo de 6 gatos saudáveis e um grupo de 6 gatos que foram tratados com meloxicam. Foram coletadas informações metabolômica plasmática e urinária 5 vezes durante um período de até 31 dias em ambos os grupos. A partir disso, separou-se os dados em três bases: (i) base de substâncias hidrossolúveis, composta por 114 substâncias e 6 amostras, (ii) base de substâncias lipossolúveis com 195 substâncias e 5 amostras, e (iii) base composta por todas as substâncias analisadas com 5 amostras. Além disso, cada base de dados possui 5 classes, uma para cada vez em que as substâncias foram coletadas e medidas. Foi utilizado o Fisher ‘s Discriminant Ratio (FDR), com a finalidade de ranquear as substâncias que mais se alteraram de uma classe para a outra. Apesar da baixa quantidade de amostras e da necessidade de se usar a menor quantidade de substâncias possíveis, resultados satisfatórios foram alcançados
Palavras-chave: Meloxicam, Fishers Discriminant Ratio, Machine Learning, K-nearest neighbors, Gaussian Naive Bayes
Páginas: 6
Código DOI: 10.21528/CBIC2023-040
Artigo em pdf: CBIC_2023_paper040.pdf
Arquivo BibTeX: CBIC_2023_040.bib