Tavares, José Antonio ReisPereira, Isabel Cecília Correia da Silva Praça GomesGOMES, SIMÃO PEDRO PEREIRA2025-12-222025-12-222025-10-27http://hdl.handle.net/10400.22/31322O cancro colorretal, o terceiro mais comum no mundo e a segunda principal causa de morte por cancro (Fernandes, Gollub e Brown 2022), apresenta uma resposta terapêutica bastante variável ao tratamento neoadjuvante (Roeder et al. 2020). Neste contexto, os perfis metabólicos têm sido alvo de estudo, revelando-se promissores como potenciais preditores da resposta terapêutica (F. Xu et al. 2023). O presente trabalho analisou técnicas de aprendizagem não supervisionada para identificar padrões em perfis metabólicos de aminoácidos e acilcarnitinas, com o objetivo de melhorar a estratificação de doentes com cancro colorretal. Foram analisadas 4052 amostras de aminoácidos e 865 de acilcarnitinas da Unidade Local de Saúde de Santo António, organizadas em três conjuntos: população geral, doentes com cancro colorretal (CRC) e doentes CRC em estádio M0. Os resultados demonstraram a capacidade de identificar clusters bem delimitados para os três conjuntos de dados. Observou-se uma associação moderada entre clusters e diagnósticos nos perfis de aminoácidos e uma associação forte nos perfis de acilcarnitinas. Adicionalmente, foram identificados metabólitos mais discriminantes em cada cluster. Contudo, a análise longitudinal realizada em doentes com múltiplas amostras não revelou associações significativas entre clusters e progressão clínica, sugerindo a necessidade de estudos futuros com amostras mais robustas. Em suma, este trabalho reforça o potencial dos perfis metabólicos como ferramentas complementares de apoio ao diagnóstico e à estratificação de doentes com cancro colorretal.porMachine LearningUnsupervised LearningColorectal CancerMetabolic ProfilesAmino acidsAcylcarnitinesClusteringBiomarkersBiomarcadoresAcilcarnitinasAminoácidosPerfis MetabólicosCancro ColorretalAprendizagem Não Supervisionadamaster thesis204067936