Exploração Visual e Computacional de Dados Clínicos para Monitoramento de Indicadores Cardiovasculares
Resumo
Este estudo integra exploração visual e aprendizado de máquina para monitorar indicadores na assistência cardiovascular. Inicialmente, estamos investigando dois indicadores: mortalidade hospitalar e reinternação em 30 dias. A partir de dados de internações, procedimentos cardiovasculares e CID-10, realizamos engenharia de atributos e treinamos Random Forest e XGBoost. Houve ganho expressivo para reinternação após oversampling (recall até 0,98), ao passo que a mortalidade apresenta maior dificuldade preditiva. Apresentamos resultados preliminares e discutimos limitações, vieses e próximos passos.Referências
Bertoletti, O. A. (2023). Boas práticas em cardiologia – uma lição a partir dos indicadores de desempenho. Arquivos Brasileiros de Cardiologia, 120(2):e20230033.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1):5–32.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, page 785–794, New York, NY, USA. ACM.
de Lara, L. R., Marcolino, M. A. Z., Schneider, N. B., Casiraghi, Y., Godoy, L., Aguiar, R. A. D. S., De Bairos, J. E. D. A., Etges, A. P. B. D. S., and Polanczyk, C. A. (2024). Performance indicators of cardiovascular care: a scoping review protocol. OSF Registries.
Oliveira, G. M. M. and et al. (2024). Estatística Cardiovascular – Brasil 2023. Arquivos Brasileiros de Cardiologia, 121(2):e20240079.
Silva, M. A. and Sanine, P. R. (2020). Interoperabilidade entre os sistemas de informação em saúde brasileiros: uma revisão integrativa. Revista de Saúde Pública de Mato Grosso do Sul, 3(2):17–29.
Talukdar, J., Singh, T. P., and Barman, B. (2023). Artificial Intelligence in Healthcare Industry. Springer.
Thirunavukarasu, R., C, G. P. D., R, G., Gopikrishnan, M., and Palanisamy, V. (2022). Towards computational solutions for precision medicine based big data healthcare system using deep learning models: A review. Computers in Biology and Medicine, 149:106020.
Wanderer, J. P., Nelson, S. E., Ehrenfeld, J. M., and Sandberg, W. S. (2016). Clinical data visualization: The current state and future needs. Journal of Medical Systems, 40(11):275.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1):5–32.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, page 785–794, New York, NY, USA. ACM.
de Lara, L. R., Marcolino, M. A. Z., Schneider, N. B., Casiraghi, Y., Godoy, L., Aguiar, R. A. D. S., De Bairos, J. E. D. A., Etges, A. P. B. D. S., and Polanczyk, C. A. (2024). Performance indicators of cardiovascular care: a scoping review protocol. OSF Registries.
Oliveira, G. M. M. and et al. (2024). Estatística Cardiovascular – Brasil 2023. Arquivos Brasileiros de Cardiologia, 121(2):e20240079.
Silva, M. A. and Sanine, P. R. (2020). Interoperabilidade entre os sistemas de informação em saúde brasileiros: uma revisão integrativa. Revista de Saúde Pública de Mato Grosso do Sul, 3(2):17–29.
Talukdar, J., Singh, T. P., and Barman, B. (2023). Artificial Intelligence in Healthcare Industry. Springer.
Thirunavukarasu, R., C, G. P. D., R, G., Gopikrishnan, M., and Palanisamy, V. (2022). Towards computational solutions for precision medicine based big data healthcare system using deep learning models: A review. Computers in Biology and Medicine, 149:106020.
Wanderer, J. P., Nelson, S. E., Ehrenfeld, J. M., and Sandberg, W. S. (2016). Clinical data visualization: The current state and future needs. Journal of Medical Systems, 40(11):275.
Publicado
12/11/2025
Como Citar
MENEZES, Guilherme P.; MARCOLINO, Miriam A. Z.; LARA, Luciana R. de; POLANCZYK, Carisi A.; FREITAS, Carla M. D. S..
Exploração Visual e Computacional de Dados Clínicos para Monitoramento de Indicadores Cardiovasculares. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 140-143.
DOI: https://doi.org/10.5753/eramiars.2025.16723.
