Polycystic ovary syndrome: clinical and laboratory variables related to new phenotypes using machine-learning models.

Journal: Journal of endocrinological investigation
PMID: 34524677

Abstract

PURPOSE: Polycystic Ovary Syndrome (PCOS) is the most frequent endocrinopathy in women of reproductive age. Machine learning (ML) is the area of artificial intelligence with a focus on predictive computing algorithms. We aimed to define the most relevant clinical and laboratory variables related to PCOS diagnosis, and to stratify patients into different phenotypic groups (clusters) using ML algorithms.

Authors

  • I S Silva
    Departamento das Ciências da Computação, Instituto de Ciências Exatas, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil.
  • C N Ferreira
    Colégio Técnico, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil.
  • L B X Costa
    Departamento de Genética, Ecologia e Evolução, Instituto de Ciências Biológicas, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil.
  • M O Sóter
    Departamento de Análises Clínicas e Toxicológicas, Faculdade de Farmácia, Universidade Federal de Minas Gerais, Av. Antônio Carlos, 6627, Pampulha, Belo Horizonte, MG, 31270-901, Brasil.
  • L M L Carvalho
    Departamento de Genética, Ecologia e Evolução, Instituto de Ciências Biológicas, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil.
  • J de C Albuquerque
    Departamento de Análises Clínicas e Toxicológicas, Faculdade de Farmácia, Universidade Federal de Minas Gerais, Av. Antônio Carlos, 6627, Pampulha, Belo Horizonte, MG, 31270-901, Brasil.
  • M F Sales
    Departamento de Genética, Ecologia e Evolução, Instituto de Ciências Biológicas, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil.
  • A L Candido
    Departamento de Clínica Médica, Faculdade de Medicina, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil.
  • F M Reis
    Departamento de Ginecologia e Obstetrícia, Faculdade de Medicina, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil.
  • A A Veloso
    Departamento das Ciências da Computação, Instituto de Ciências Exatas, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil.
  • K B Gomes
    Departamento de Genética, Ecologia e Evolução, Instituto de Ciências Biológicas, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brazil. karinabgb@gmail.com.

Keywords

External Resources

Popular Topics
Recent Journals