Inventário de Depressão de Beck (BDI) e Escala de Avaliação de Depressão de Hamilton (HAM-D) em pacientes com epilepsia

OBJETIVO: Determinar os pontos de melhor sensibilidade e especificidade do Inventário de Depressão de Beck (BDI) e da Escala de Avaliação de Depressão de Hamilton (HAM-D) no diagnóstico de depressão associada à epilepsia. MÉTODOS: Setenta e três pacientes de um centro de referência no tratamento da epilepsia foram submetidos à avaliação neuropsiquiátrica. Foram colhidos dados clínicos e sociodemográficos, sendo utilizados os seguintes instrumentos: entrevista clínica estruturada (MINI-PLUS) para diagnóstico psiquiátrico conforme o DSM-IV, HAM-D e BDI. RESULTADOS: No momento da entrevista, 27,4% dos pacientes estavam deprimidos e 37% preenchiam critérios para diagnóstico de depressão maior ao longo da vida. A análise da curva ROC indicou que o ponto de corte em 16 (> 16) para o BDI (sensibilidade de 94,4%, especificidade de 90,6%) e em 16 (> 16) para a HAM-D (sensibilidade de 95%, especificidade de 75,5%) representou dicotomização ótima entre deprimidos e não deprimidos. Ambos os instrumentos apresentaram um valor preditivo negativo superior a 95%. CONCLUSÃO: A frequência de depressão maior é elevada em pacientes com epilepsia. BDI e a HAM-D podem auxiliar o clínico na identificação da depressão associada à epilepsia, diminuindo seu subdiagnóstico.

Escala Hamilton: estudo das características psicométricas em uma amostra do sul do Brasil

Objetivo Investigar as características psicométricas de uma versão traduzida da escala, propondo uma Versão Revisada que atenda aos critérios de adaptação transcultural para o contexto brasileiro. Métodos Este estudo incluiu 231 sujeitos – deprimidos (45,5%), bipolares (7,8%) e saudáveis (46,7%) – que participaram de uma pesquisa epidemiológica no sul do Brasil. A avaliação de transtornos mentais foi realizada por meio da Clinical Interview for DSM-IV (SCID) e uma versão traduzida da Escala de Avaliação de Depressão de Hamilton (HAM-D), que habitualmente vem sendo utilizada no país sem estudos de adaptação. Resultados Identificou-se o ponto de corte (9 pontos) para discriminar a presença ou não de sintomas de depressão pela análise da curva ROC, resultando em uma sensibilidade e especificidade de 90 e 91%, respectivamente. A validade interna foi investigada pela análise fatorial e consistência dos itens. Dos 17 itens originais, apenas o item que avalia a “consciência do transtorno” não apresentou carga fatorial satisfatória para avaliar depressão geral e foi eliminado; os 16 restantes agruparam-se em cinco dimensões, denominadas: Humor deprimido, Anorexia, Insônia, Somatização e Ansiedade, as quais, com exceção da última, mostraram homogeneidade nos seus construtos (coeficientes alfa entre 0,66 e 0,78). Na análise de conteúdo dos itens, cinco especialistas sugeriram alterações redacionais em sete itens. Conclusão O estudo determina um ponto de corte diferente do original e evidencia características psicométricas favoráveis para a utilização da escala no Brasil.

Evaluation of follicular lymphoid depletion in the Bursa of Fabricius: an alternative methodology using digital image analysis and artificial neural networks

Fifty Bursa of Fabricius (BF) were examined by conventional optical microscopy and digital images were acquired and processed using Matlab® 6.5 software. The Artificial Neuronal Network (ANN) was generated using Neuroshell® Classifier software and the optical and digital data were compared. The ANN was able to make a comparable classification of digital and optical scores. The use of ANN was able to classify correctly the majority of the follicles, reaching sensibility and specificity of 89% and 96%, respectively. When the follicles were scored and grouped in a binary fashion the sensibility increased to 90% and obtained the maximum value for the specificity of 92%. These results demonstrate that the use of digital image analysis and ANN is a useful tool for the pathological classification of the BF lymphoid depletion. In addition it provides objective results that allow measuring the dimension of the error in the diagnosis and classification therefore making comparison between databases feasible.

Effect of exposure to sublethal concentrations of sodium cyanide on the carbohydrate metabolism of the Indian Major Carp Labeo rohita (Hamilton, 1822)

Experiments were designed to study in-vivo effects of sodium cyanide on biochemical endpoints in the freshwater fish Labeo rohita. Fish were exposed to two sublethal concentrations (0.106 and 0.064mg/L) for a period of 15 days. Levels of glycogen, pyruvate, lactate and the enzymatic activities of lactate dehydrogenase (LDH), succinate dehydrogenase (SDH), glucose-6-phosphate dehydrogenase (G6PDH), phosphorylase, alkaline phosphatase (ALP), acid phosphatase (AcP) were assessed in different tissues (liver, muscle and gills). Result indicated a steady decrease in glycogen, pyruvate, SDH, ALP and AcP activity with a concomitant increase in the lactate, phosphorylase, LDH and G6PD activity in all selected tissues. The alterations in all the above biochemical parameters were significantly (p<0.05) time and dose dependent. In all the above parameters, liver pointing out the intensity of cyanide intoxication compare to muscle and gills. Study revealed change in the metabolic energy by means of altered metabolic profile of the fish. Further, these observations indicated that even sublethal concentrations of sodium cyanide might not be fully devoid of deleterious influence on metabolism in L. rohita.

Artificial neural networks (ANN): prediction of sensory measurements from instrumental data

The objective of this study was to predict by means of Artificial Neural Network (ANN), multilayer perceptrons, the texture attributes of light cheesecurds perceived by trained judges based on instrumental texture measurements. Inputs to the network were the instrumental texture measurements of light cheesecurd (imitative and fundamental parameters). Output variables were the sensory attributes consistency and spreadability. Nine light cheesecurd formulations composed of different combinations of fat and water were evaluated. The measurements obtained by the instrumental and sensory analyses of these formulations constituted the data set used for training and validation of the network. Network training was performed using a back-propagation algorithm. The network architecture selected was composed of 8-3-9-2 neurons in its layers, which quickly and accurately predicted the sensory texture attributes studied, showing a high correlation between the predicted and experimental values for the validation data set and excellent generalization ability, with a validation RMSE of 0.0506.