The prognosis of Amyotrophic Lateral Sclerosis (ALS), a complex and rare disease, represents a challenging and essential task to better comprehend its progression and improve patients' quality of life. The use of Machine Learning (ML) techniques in healthcare has produced valuable contributions to the prognosis field. This article presents a systematic and critical review of primary studies that used ML applied to the ALS prognosis, searching for databases, relevant predictor biomarkers, the ML algorithms and techniques, and their outcomes. We focused on studies that analyzed biomarkers commonly present in the ALS disease clinical practice, such as demographic, clinical, laboratory, and imaging data. Hence, we investigate studies to provide an overview of solutions that can be applied to develop decision support systems and be used by a higher number of ALS clinical settings. The studies were retrieved from PubMed, Science Direct, IEEEXplore, and Web of Science databases. After completing the searching and screening process, 10 articles were selected to be analyzed and summarized. The studies evaluated and used different ML algorithms, techniques, datasets, sample sizes, biomarkers, and performance metrics. Based on the results, three distinct types of prediction were identified: Disease Progression, Survival Time, and Need for Support. The biomarkers identified as relevant in more than one study were the ALSFRS/ALSFRS-R, disease duration, Forced Vital Capacity, Body Mass Index, age at onset, and Creatinine. In general, the studies presented promissory results that can be applied in developing decision support systems. Besides, we discussed the open challenges, the limitations identified, and future research opportunities.

Este trabalho propõe e analisa uma solução para renderização remota de imagens médicas tridimensionais (3D). Nesta solução, todo o processo de renderização volumétrica é realizado por um servidor (ou um cluster de servidores) e somente a imagem resultante é enviada para o cliente, permitindo ainda que este realize operações como rotação, deslocamento e zoom. Para a realização da análise de desempenho, foram definidos três diferentes cenários de execução. No primeiro cenário, o processo foi realizado por um servidor com hardware gráfico (GPU). No segundo, foi utilizado um servidor sem GPU, mas com alto poder de processamento em paralelo, possuindo 48 cores (unidades de processamento). O terceiro cenário foi utilizado para simular o funcionamento padrão da maioria das aplicações médicas de visualização, onde todo o processo de renderização foi realizado localmente em um computador. Com os resultados obtidos, ficou demonstrado que a solução proposta resolveu satisfatoriamente dois dos principais problemas da visualização tridimensional dos exames médicos, sendo eles: o tempo gasto com a transferência dos arquivos DICOM e o poder computacional necessário para realizar o processo de renderização. A arquitetura da solução permitiu que computadores menos potentes e dispositivos móveis, como tablets e celulares, pudessem ser utilizados para visualização das imagens médicas 3D.