Predição de mortalidade de pacientes com traumatismo cranioencefálico no Brasil usando técnicas de aprendizagem de máquina

• Ano de defesa: 2022
• Autor(a) principal: Guimarães, Kellen Adriely Alvarenga
• Outros Autores: http://lattes.cnpq.br/6313430137513242
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Inteligência artificial - Aplicações médicas; ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS; Traumatismo cranioencefálico; Aprendizagem de máquina; Redes neurais; Redes neurais convolucionais
• Link de acesso: https://tede.ufam.edu.br/handle/tede/8759

Esse trabalho propõe, de forma original, a utilização de redes neurais convolutivas para a predição da mortalidade em até 14 dias de pacientes com trauma crânio encefálico. O desempenho das redes neurais é comparado com o desempenho de outras ferramentas clássicas de aprendizado de máquina, como regressor logístico, perceptron multicamadas, máquina de vetores de suporte, árvores de decisão e floresta randômica. Na simulação dos modelos utilizando redes neurais, diversos métodos de otimização foram utilizados, como RMSProp, Adam, Adamax e SGDM. A base de dados utilizadas é constituída de 529 registros e 16 variáveis preditoras, tendo sido obtida no Hospital das Clínicas (São Paulo, Brasil). Devido a presença de muitos valores ausentes nas variáveis preditoras propõe-se e avaliou-se dois procedimentos para o preenchimento dos valores ausentes das mesmas, utilizando métodos como árvore de decisão, floresta randômica, k-vizinho mais próximo e regressão linear. Os melhores resultados obtidos para a taxa de predição foram precisão de 0,845 e área sob a curva ROC de 0,911