Inteligência artificial para predição da probabilidade de desenvolvimento de trombose associada a cateter venoso central em pacientes de 0 a 5 anos

• Ano de defesa: 2025
• Autor(a) principal: Viana, Jaqueline Helen
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Trombose Venosa Profunda; Acesso Venoso Central; Pacientes de 0 a 5 anos; Aprendizado de Máquina; Trombose Venosa; Pacientes; Deep Vein Thrombosis; Central Venous Access; Patients aged 0 to 5 years; Machine Learning
• Link de acesso: https://app.uff.br/riuff/handle/1/37583

Introdução: A trombose venosa é uma doença rara em crianças, com poucos estudos mencionados na literatura. O fator precipitante mais comum é a presença de Cateter Venoso Central, porém esse tipo de cateter contribui para o cuidado de pacientes que necessitam de acesso venoso de longa duração. Com base nesses achados, este estudo aplicou o aprendizado de máquina para desenvolver um modelo preciso de predição para a Trombose Venosa Profunda associada a cateter. Objetivos: Desenvolver um sistema de aprendizado de máquina para prever o risco de trombose em pacientes pediátricos de zero a cinco anos que utilizam cateter venoso central. Criar uma plataforma web destinada a profissionais de saúde, facilitando o acesso e a aplicação das predições do risco de trombose em pacientes de zero a cinco anos internados em unidades de terapia intensiva. Desenvolver um sistema de aprendizado de máquina para prever o risco de trombose em pacientes pediátricos de zero a cinco anos que utilizam cateter venoso central. Método: Pesquisa metodológica aplicada de produção tecnológica. Estudo de coorte retrospectivo, analítico, unicêntrico, de uma amostra de pacientes internados em Unidade de Terapia Intensiva Pediátrica de um Hospital Geral de Pouso Alegre, Minas Gerais, Brasil. Manejo de dados seguindo o modelo Cross Industry Standard Process for Data Mining e desenvolvimento da tecnologia proposta em três etapas: Análise, Desenho e Desenvolvimento. Resultados: Dentre os modelos analisados, o modelo XGBoost alcançou a maior taxa de previsões corretas e uma melhor proporção entre a identificação correta de casos verdadeiros. Conclusão: Ao prever o risco de trombose, os profissionais de saúde podem intervir precocemente, implementando medidas preventivas que evitem complicações sérias. A plataforma web desenvolvida facilita o acesso rápido e eficiente às predições de risco, otimizando o tempo e os recursos dos profissionais de saúde, contribuindo para a segurança e a eficiência no cuidado das crianças internadas. Produto gerado: Criou-se uma plataforma web destinada a profissionais de saúde, visando à facilitação do acesso e da aplicação das predições do risco de trombose.