Português English
Contato

Dissertação de Mestrado de Melina Silva de Loreto


Detalhes do Evento


Aluna: Melina Silva de Loreto
Orientadora: Profª. Drª. Viviane Pereira Moreira

Título: Prevendo readmissões na unidade de terapia intensiva com base nos dados disponíveis no momento da chegada: uma abordagem de classificação.
Linha de Pesquisa: Mineração, Integração e Análise de Dados

 
Data: 27/05/2020
Horário: 10h

Esta banca ocorrerá, excepcionalmente, de forma totalmente remota. Acesso público disponibilizado através do link: https://mconf.ufrgs.br/webconf/00149248.

Banca Examinadora:
– Profª. Drª. Mariana Recamonde Mendoza Guerreiro (UFRGS – por videoconferência)
– Profª. Drª. Renata de Matos Galante (UFRGS – por videoconferência)
– Prof. Dr. Marcio Soares (IDOR– por videoconferência)

Presidente da Banca: Profª. Drª. Viviane Pereira Moreira

Resumo: Pacientes críticos constituem a população mais heterogênea nos hospitais, com as maiores taxas de comorbidades agudas e crônicas. A determinação de quais pacientes estão prontos para alta de uma Unidade de Terapia Intensiva (UTI) apresenta um grande desafio, pois as readmissões na UTI estão associadas a vários resultados negativos, como aumento da mortalidade, tempo de internação e custo em comparação com os pacientes que não são readmitidos durante a internação hospitalar. A alta precoce da UTI pode resultar em níveis inadequados de monitoramento, o que leva à readmissão na UTI. O objetivo deste trabalho é prever o risco de readmissão após a alta da UTI, usando características na admissão do paciente. Analisamos um conjunto de dados anonimizado com 17.786 pacientes adultos de três UTIs em dois hospitais universitários brasileiros. Para avaliar os pacientes readmitidos, foram excluídos 3.765 pacientes falecidos durante a primeira internação na UTI. Nosso conjunto de dados final contém 14.021 pacientes. Desses, 1.149 pacientes (8,1 \%) foram readmitidos na UTI e compõem nossa classe positiva. Obtivemos um conjunto de 134 atributos, incluindo dados demográficos, tempo de internação antes da internação na UTI, comorbidades, índices de gravidade, intervenções, terapias de suporte a internação na UTI e resultados laboratoriais. Testamos seis algoritmos de classificação (incluindo algoritmos bayesianos, árvores de decisão, métodos baseados em regras e ensemble em diferentes conjuntos de atributos e avaliamos seus resultados com base em seis métricas. Nossos resultados mostram que as previsões feitas exclusivamente com base nos atributos coletados na admissão são altamente precisas. Sua qualidade em termos de previsão não difere das previsões feitas usando o conjunto completo de atributos para nosso conjunto de dados. É possível concluir, portanto, que as características do paciente presentes na admissão na UTI foram capazes de prever a readmissão na UTI. Mais pesquisas são necessárias para determinar se esses achados são consistentes em outros conjuntos de dados e comparados ao desempenho das ferramentas de previsão usando dados na alta da UTI como uma alternativa ou uma abordagem adicional.

Palavras-chave: terapia intensiva, readmissão, aprendizado de máquina, classificação.