Campo DC | Valor | Idioma |
dc.contributor.advisor | Ferreira, Vânia Maria Moraes | - |
dc.contributor.author | Oliveira, Yuri Almeida de | - |
dc.date.accessioned | 2024-07-12T02:30:03Z | - |
dc.date.available | 2024-07-12T02:30:03Z | - |
dc.date.issued | 2024-07-11 | - |
dc.date.submitted | 2024-05-29 | - |
dc.identifier.citation | OLIVEIRA, Yuri Almeida de. Morbiletalidade na Covid-19: uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar. 2024. 77 f., il. Dissertação (Mestrado em Ciências Médicas) — Universidade de Brasília, Brasília, 2024. | pt_BR |
dc.identifier.uri | http://repositorio2.unb.br/jspui/handle/10482/48787 | - |
dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Medicina, Programa de Pós-Graduação em Ciências Médicas, 2024. | pt_BR |
dc.description.abstract | Introdução: Em 2019 a COVID-19 iniciou um dos maiores desafios sanitários
da história, atingindo a condição de pandemia já no ano seguinte. De acordo com
dados da Organização Mundial da Saúde (OMS), até outubro de 2023 havia
771.151.224 casos confirmados e 6.960.783 mortes diretas. O elevado número
de casos simultâneos, aliado à grande quantidade de casos graves, levou ao
colapso dos sistemas de saúde. Sistemas capazes de prever indivíduos com
maior risco de evoluir para a forma grave da doença poderiam otimizar a
alocação e direcionamento de recursos. Assim, diversos estudos foram
publicados na tentativa de encontrar preditores baseados em inteligência
artificial (IA) para, por meio de dados demográficos, clínicos, laboratoriais e de
imagem médica, encontrar os indivíduos mais susceptíveis a evolução
desfavorável pela doença. Objetivos: analisar o desempenho de algoritmos
baseados em Aprendizado de Máquina (AM) como preditores de evolução
durante internação hospitalar em pacientes com COVID-19, utilizando dados da
admissão hospitalar. Metodologia: foram utilizados dados coletados em uma
coorte prospectiva e multicêntrica de pacientes internados por COVID-19. Os
dados da admissão hospitalar e do desfecho foram pré-processados, levando
em consideração a disponibilidade dos dados entre os participantes do estudo e
relevância clínica. Por meio de experimentação, diversos algoritmos baseados
em IA foram aplicados e os melhores foram validados utilizando Validação
Cruzada de Monte Carlo. Resultados: classificadores baseados em IA foram
capazes de prever, com 80% de acurácia, quais indivíduos evoluiriam com
desfecho desfavorável ou não. Destaca-se o Random Forest Classifier, com
Área sob a Curva (AUC) de 91%, valores preditivos positivos e negativos de 81%
e 79%, respectivamente, e sensibilidade e especificidade de 46% e 95%. Sem
prejuízo significativo na acurácia, a Classificação por Vetor de Suporte (SVC)
atingiu valor preditivo positivo de 87% e especificidade de 97%, adequado para
situações em que uma pequena quantidade de falso positivos é preferível.
Conclusão: é possível utilizar algoritmos baseados em AM para predizer
evolução clínica desfavorável durante a internação pela COVID-19 com acurácia
satisfatória. | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.title | Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar | pt_BR |
dc.type | Dissertação | pt_BR |
dc.subject.keyword | Inteligência artificial | pt_BR |
dc.subject.keyword | Aprendizado de máquina | pt_BR |
dc.subject.keyword | COVID-19 | pt_BR |
dc.subject.keyword | Registros eletrônicos de saúde | pt_BR |
dc.description.abstract1 | Introduction: In 2019, COVID-19 began one of the greatest public health
challenges in history, reaching pandemic status the following year. By October
2023, there were 771,151,224 confirmed cases and 6,960,783 direct deaths. The
high number of simultaneous cases, coupled with a large number of severe
cases, led to the collapse of health systems. Systems capable of predicting
individuals at higher risk of progressing to severe forms of the disease could
optimize the allocation and direction of resources. Thus, various studies have
been published in an attempt to find predictors based on artificial intelligence that,
through demographic, clinical, laboratory, and medical imaging data, could
identify individuals most susceptible to unfavorable disease progression.
Objectives: to analyze the performance of Machine Learning (ML) based
algorithms as predictors of clinical outcomes during hospitalization in COVID-19
patients, using hospital admission data. Methodology: data collected from a
prospective, multicenter cohort of hospitalized COVID-19 patients were used.
Admission and outcome data were pre-processed, taking into account the
availability of data among study participants and clinical relevance. Through
experimentation, various artificial intelligence based algorithms were applied, and
the best were validated using Monte Carlo Cross-Validation. Results: artificial
intelligence-based classifiers were successfully developed, achieving an 80%
accuracy rate in predicting individuals’ progression towards unfavorable
outcomes. Random Forest Classifier stands out with an Area Under the ROC
Curve (AUC) of 91%, and positive and negative predictive values of 81% and
79%, respectively. Additionally, it exhibited a sensitivity of 46% and a specificity
of 95%. Without significant detriment to accuracy, the Support Vector
Classification (SVC) achieved a positive predictive value of 87% and specificity
of 97%, rates that are suitable for situations where a small number of false
positives is preferable. Conclusion: it is possible to use machine learning-based
algorithms to predict unfavorable clinical outcomes during hospitalization for
COVID-19 with satisfactory accuracy. | pt_BR |
dc.description.unidade | Faculdade de Medicina (FMD) | pt_BR |
dc.description.ppg | Programa de Pós-Graduação em Ciências Médicas | pt_BR |
Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|