Português English
Contato

Dissertação de Mestrado de Daniel Matheus Kuhn


Detalhes do Evento


DEFESA DE DISSERTAÇÃO DE MESTRADO

Aluno: Daniel Matheus Kuhn
Orientadora: Profa. Dra. Viviane Pereira Moreira

Título: Aprendizado de Máquina em Tarefas Prognósticas de COVID-19: Avaliação de Algoritmos de Classificação
Linha de Pesquisa: Mineração, Integração e Análise de Dados.

Data: 02/12/2022
Horário: 13h30min
Local: Esta banca ocorrerá de forma totalmente remota. Acesso público disponibilizado através do link da sala virtual:  https://mconf.ufrgs.br/webconf/00149248

Banca Examinadora:
Profa. Dra. Milena Soriano Marcolino (UFMG)
Profa. Dra. Renata de Matos Galante (UFRGS)
Prof. Dr. Sandro José Rigo (Unisinos)

Presidente da Banca: Profa. Dra. Viviane Pereira Moreira

Resumo: Modelos preditivos na área da saúde têm sido investigados por inúmeros trabalhos visando o prognóstico e diagnóstico de pacientes. O cenário emergencial de saúde estabelecido pela pandemia da COVID-19 acentuou o interesse em utilizar modelos preditivos para apoiar a tomada de decisão no contexto clínico hospitalar. Esses modelos podem ser empregados nos mais variados desafios enfrentados pelos profissionais de saúde, promovendo um melhor atendimento, otimizando processos de gestão clínica e alocação de recursos. Este trabalho tem como principal objetivo avaliar algoritmos de Aprendizado de Máquina em três tarefas prognósticas a partir de exames disponíveis na admissão hospitalar. As tarefas avaliadas foram: (i) predição de desfecho da hospitalização; (ii) predição de necessidade de internação em CTI; e (iii) predição de necessidade de recursos de ventilação mecânica invasiva (VMI). Para subsidiar o estudo, foram utilizados registros de 3795 pacientes internados em dois hospitais brasileiros. Avaliamos seis algoritmos de classificação nas três tarefas supracitadas e aplicamos técnicas de visualização de dados, bem como abordagens de explicabilidade para auxiliar na compreensão dos atributos levados em consideração pelos classificadores durante a predição. Além disso, desenvolvemos uma técnica de visualização baseada na abordagem de explicabilidade SHAP, com o intuito de extrair insights sobre a relação entre as variáveis consideradas pelos modelos preditivos e suas previsões. Os resultados nas tarefas de classificação para os conjuntos de dados utilizados neste trabalho foram promissores. Os maiores escores de sensibilidade foram atingidos pelo algoritmo de regressão logística. As investigações acerca dos fatores levados em consideração pelos classificadores apontaram, recorrentemente, a idade avançada dos pacientes como o principal fator relacionado aos prognósticos desfavoráveis. Para a predição de VMI e CTI, atributos relacionados à função respiratória dos pacientes, como baixos índices de saturação de oxigênio e altos índices de pressão parcial de CO2, também foram elencados como relevantes durante a predição. Por fim, a avaliação cruzada utilizando pacientes de diferentes CTI mostrou que os classificadores são sensíveis às características das populações com as quais foram treinados, podendo não generalizar para diferentes unidades hospitalares.

Palavras-chave: Aprendizado de Máquina. Classificação. COVID-19. Informações Admissionais.