Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Bezerra, Antonio Diego Costa |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual do Ceará
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Link de acesso: |
https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=112269
|
Resumo: |
A sepse é hoje um dos principais agravos hospitalares que afeta inúmeros pacientes em todo o mundo e o Brasil destaca-se como sendo um dos países que mais detém de pacientes com essa síndrome inflamatória e suas modificações no quadro clínico destes. Apesar dos esforços diários dos profissionais, inclusive utilizando-se de manuais e protocolos técnicos, ainda não se mostra suficiente diante de mortes e sequelas nos pacientes. Assim, surge o papel das tecnologias, focando especialmente nas de informação e comunicação, que são hoje auxilio e suporte necessário na identificação precoce da sepse, no tratamento e reabilitação, com foco especialmente no uso dos dados de pacientes que já passaram pela mesma situação, visando prever a partir das semelhanças com uso de processos e algoritmos, novas situações. Assim, este estudo contou com 3 objetivos: primeiro: sintetizar as evidências científicas sobre a efetividade de algoritmos de inteligência artificial para predição de sepse em pacientes de UTI. Segundo: escrever as características clínicas e sociodemográficas de pacientes com sepse e choque séptico em UTI de um hospital público. Terceiro: desenvolver e avaliar algoritmos de para a predição de sepse em pacientes adultos de UTI. O primeiro estudo apresenta uma revisão de escopo realizada nas bases de dados Cumulative Index to Nursing and Allied Health Literature (CINAHL); National Library of Medicine (MEDLINE/PubMed); Centro Latino-Americado e do Caribe de Informações e Ciências da Saúde (LILACS), Embase, Cochrane Library e Web of Science com pareamento cego, onde 3.864 estudos foram identificados e 17 deles atendiam às questões do estudo, apontando que a predição precoce do início da sepse é fundamental para fornecer eficácia assistência de saúde efetiva e intervenção. O segundo estudo do tipo transversal investigou a ocorrência de sepse e choque séptico em pacientes internados em uma Unidade de Terapia Intensiva (UTI) de um hospital público no nordeste brasileiro entre agosto de 2018 e julho de 2023. Realizado em um Hospital Geral de Fortaleza-CE com 659 pacientes na amostra, utilizaram-se frequências absolutas e percentuais para as variáveis, além da média e desvio padrão. Na análise inferencial não ajustada, utilizou-se o teste de Qui-quadrado de Pearson ou razão de verossimilhança para verificar associação entre o desfecho e as variáveis explicativas, considerando-se o nível descritivo p<0,20. A regressão multivariada com estimação robusta foi utilizada para determinar o modelo ajustado, com a estatística de Wald, para testar as variáveis do modelo e as respectivas razões de prevalências e intervalos de confiança de 95%. Os resultados revelaram que 48,4% dos pacientes foram afetados pela sepse/choque séptico. O terceiro estudo, investigou algoritmos de inteligência artificial (IA) para a predição precoce da sepse em pacientes de UTI. Foram utilizados dados de 659 pacientes de uma UTI neurológica de um hospital público no Brasil por meio de um estudo de desenvolvimento com as tarefas de regressão e classificação. O processo de mineração de dados seguiu o método Knowledge Discovery in Databases (KDD) e incluiu a seleção e processamento dos dados. Foram testados 5 algoritmos, incluindo Random Forest, Gradient Boosting, Naive Bayes e K-Nearest Neighbors (KNN). Os resultados mostraram que o Random Forest e o Gradient Boosting apresentaram o melhor desempenho, com altos valores de F1-score (0,98) e acurácia (98,48%). O Naive Bayes também teve um desempenho razoável, com um F1-score de 0,83 e alta precisão (85%). Por outro lado, o KNN teve um desempenho inferior, com um F1-score de 0,57. Comparado a estudos anteriores, este trabalho superou modelos existentes na literatura para prever o início da sepse. A pesquisa poderá contribuir significativamente para a aplicação da IA na predição da sepse, oferecendo resultados positivos para a prática clínica. |
