| dc.contributor | Silva, Danilo | |
| dc.contributor | Universidade Federal de Santa Catarina | |
| dc.creator | Silva, Henrique Pickler da | |
| dc.date | 2021-10-01T11:45:17Z | |
| dc.date | 2021-10-01T11:45:17Z | |
| dc.date | 2021-09-23 | |
| dc.date.accessioned | 2023-09-02T06:37:15Z | |
| dc.date.available | 2023-09-02T06:37:15Z | |
| dc.identifier | https://repositorio.ufsc.br/handle/123456789/228484 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8580417 | |
| dc.description | TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica. | |
| dc.description | Lesões por pressão, também chamadas por escaras, são ocorrências que podem prolongar
em meses a estada de um paciente. Em estágios iniciais é possível evitar o agravamento da
ferida, assim como suas adversidades, com tratamentos especializados e atenção preventiva.
Porém, é inviável oferecer esse nível de cuidado para todo paciente internado devido ao
alto custo financeiro e de mão de obra. Atualmente existem ferramentas utilizadas por
profissionais de enfermagem para identificar pacientes em risco auxiliando o direcionamento
de medidas preventivas. Embora essas ferramentas sejam usadas largamente por hospitais
do mundo todo, a aplicação de modelos de aprendizado de máquina para predição de
incidência de lesão por pressão é uma área nova e com poucos resultados na literatura. Este
trabalho busca desenvolver uma nova abordagem ao problema na tentativa de aproximar a
avaliação de modelos ao uso prático das ferramentas usadas atualmente. Dessa forma, pode
ser feita uma comparação justa entre os modelos desenvolvidos e as técnicas utilizadas na
prática. Foram testados 6 modelos em três bases de dados diferentes, duas de momentos
diferentes de um hospital de Boston e a terceira de um hospital brasileiro. Os resultados
apontam que os modelos de aprendizado de máquina podem superar significativamente
as técnicas atuais em todos os três conjuntos de dados. Além disso, devido à natureza
dos dados esse modelo pode ser integrado em sistemas de monitoramento e utilizado de
maneira automática, diminuindo inclusive a mão de obra associada à identificação de risco. | |
| dc.description | Pressure ulcers are occurrences that may postpone up to months an hospital stay. They are
easily preventable by means of specialized treatment. Nonetheless, due to high monetary
and labor cost, it is impractible to offer this level of care to every patient. Currently, there
exists tools used by professional care workers to assess at-risk patients directing their labor
towards those. Though these tools are largely used by hospitals around the world, the
usage of machine learning models for predicting pressure ulcer incidence is a fairly new
area with few results published. This work seeks to develop a new approach to this problem
by trying to approximate the evaluation and training of models to the practical usage
of tools currently in use. This way, a fair comparison can be made between the models
developed and the techniques used in practice. Six different models were evaluated in three
separate datasets, two from a hospital located in Boston and the third one from a brazilian
hospital. The results show that machine learning models can perform significantly better
than what’s used in practice. Furthermore, due to the nature of the data, this model can
be integrated in critical care monitoring systems enabling patients to be automatically
assessed reducing labor associated with manual assessment. | |
| dc.format | 66 f. | |
| dc.format | application/pdf | |
| dc.language | pt_BR | |
| dc.publisher | Florianópolis, SC | |
| dc.rights | Open Access | |
| dc.subject | Aprendizado de Máquina | |
| dc.subject | Lesão por Pressão | |
| dc.subject | Registros Eletrônicos | |
| dc.title | Predição de Incidência de Lesão por Pressão em UTI através de Registros Eletrônicos e Aprendizado de Máquina | |
| dc.type | TCCgrad | |
