Predictive model of nosocomil infection using machine learning

dc.contributorM??rio Ol??mpio de Menezes
dc.creatorMENDES, PATRICIA P.M.
dc.date2023
dc.date2023-07-28T11:11:39Z
dc.date2023-07-28T11:11:39Z
dc.date.accessioned2023-09-28T14:26:27Z
dc.date.available2023-09-28T14:26:27Z
dc.identifierhttp://repositorio.ipen.br/handle/123456789/34174
dc.identifier10.11606/D.85.2023.tde-12072023-091827
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9004382
dc.descriptionCada vez mais o aprendizado de m??quina vem ganhando espa??o na ??rea da sa??de devido ?? sua capacidade de melhorar a predi????o de doen??as e auxiliar profissionais na condu????o dos tratamentos cl??nicos. A infec????o hospitalar ?? o evento negativo mais comum para pacientes hospitalizados e continua a se constituir em s??ria amea??a ?? seguran??a dos pacientes. O objetivo deste trabalho foi encontrar uma t??cnica de aprendizado de m??quina otimizada e eficiente que possa prever efetivamente a condi????o da infec????o hospitalar, identificando os principais fatores respons??veis por esta condi????o. Neste trabalho, usamos seis t??cnicas de aprendizado de m??quina, os algoritmos utilizados no trabalho foram Random Forest, Regress??o log??stica, KNN, Adaboost, Bagging e XGBoost; tamb??m foram empregadas t??cnicas modernas de explicabilidade a estes algoritmos. Nesse processo, os dados foram divididos em dados de treino e de teste, os modelos foram treinados em um primeiro momento com os hiperpar??metros padr??es, em um segundo momento os modelos foram treinados com hiperpar??metros aprimorados. Os modelos que apresentaram as melhores m??tricas foram o XGBoost e Random Forest, o XGBoost apresentou o melhor resultado em todas as m??tricas, exceto na Precis??o, o Random Forest obteve o segundo melhor resultado na acur??cia e na precis??o, na valida????o cruzada o resultado foi o mesmo que o XGBoost. Para a explicabilidade do modelo foi utilizada a biblioteca SHAP, foi avaliado como o valor de cada vari??vel influenciou no resultado alcan??ado pelo modelo preditivo XGBoost, SHAP apontou como mais importante as vari??veis: NR_DIA_INTERNADO (quantidade de dias de interna????o), CD_DOENCA_PRINCIPAL_E (CID-10 Classifica????o internacional de doen??as), DS_PROC_PRINCIPAL_E (Procedimento principal durante interna????o) e QT_DIAS_SONDA_VESICAL (Dias que o paciente ficou com sonda vesical). O estudo mostrou-se vi??vel ?? ado????o de aprendizado de m??quina nas rotinas da pesquisa em sa??de, no trabalho da comiss??o de infec????o hospitalar e nas iniciativas de inova????o nas institui????es de sa??de no Brasil.
dc.descriptionDisserta????o (Mestrado em Tecnologia Nuclear)
dc.descriptionIPEN/D
dc.descriptionInstituto de Pesquisas Energ??ticas e Nucleares - IPEN-CNEN/SP
dc.format99
dc.rightsopenAccess
dc.titleModelo preditivo de infec????o hospitalar utilizando aprendizado de m??quina
dc.titlePredictive model of nosocomil infection using machine learning
dc.typeDisserta????o
dc.coverageN
dc.localS??o Paulo


Este ítem pertenece a la siguiente institución