Inferência dos Perfis de Infusão em Sistemas Intravenosos: Uma Abordagem Empregando Técnicas de Aprendizagem de Máquina

  • Fabrício Ferreira UFPel
  • Felipe Gruendemann UFPel
  • Ricardo Araujo UFPel
  • Adenauer Yamin UFPel
  • Luciano Agostini UFPel

Resumo


Os procedimentos de infusão intravenosa estão entre os mais usuais em hospitais e têm potencial para gerar alta ocorrência de eventos adversos. No entanto, as infusões intravenosas ainda não têm a sua verificação automatizada. Considerando este cenário, este trabalho propõe uma nova abordagem para reduzir eventos adversos em procedimentos intravenosos utilizando Aprendizado de Máquina para permitir uma inferência autônoma e registro dos perfis de infusões intravenosas. Dois regressores baseados em redes neurais foram avaliados: Multi-Layer Perceptron e Long-Short Term Memory. A avaliação dos modelos regressão, para as inferências dos perfis de administração de medicamentos intravenosos, obtiveram resultados promissores.

Referências

Bhavasaar, M. K., Nithya, M., Praveena, R., Bhuvaneswari, N., and Kalaiselvi, T. (2016). Automated intravenous fluid monitoring and alerting system. In 2016 IEEE Technological Innovations in ICT for Agriculture and Rural Development (TIAR), pages 77–80, Chennai, India. IEEE.

Chambers, D. J. (2019). Principles of intravenous drug infusion. Anaesthesia & Intensive Care Medicine, 20(1):61–64.

Dos Santos, H. D., Ulbrich, A. H. D., Woloszyn, V., and Vieira, R. (2019). DDC-Outlier: Preventing Medication Errors Using Unsupervised Learning. IEEE Journal of Biomedical and Health Informatics, 23(2):874–881.

ECRI, I. (2017). Top 10 Health Technology Hazards for Top 10 Health Technology Hazards for 2017. Technical report, ECRI Institute Patient Safety Organization, Massachusetts, USA, Massachusetts, USA.

Feitosa Neto, A. A., Xavier, J. C., Canuto, A. M. P., and Oliveira, A. C. M. (2019). A comparative study on automatic model and hyper-parameter selection in classifier ensembles. In 2019 8th Brazilian Conference on Intelligent Systems (BRACIS), pages 323–328.

Ferreira, F., Barbosa, J., Gruendemann, F., Machado, R., Yamin, A., and Agostini, L. (2019). Spodi: Simulador do perfil operacional de dispositivos intravenosos para auxilio à tomada de decisões médicas. In Anais do XIX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 34–45, Porto Alegre, RS, Brasil. SBC.

Fink, D., Wagner, A., and Ehlers, W. (2018). Application-driven model reduction for the simulation of therapeutic infusion processes in multi-component brain tissue. Journal of Computational Science, 24:101–115.

Hao, J. and Ho, T. K. (2019). Machine Learning Made Easy: A Review of Scikit-learn Package in Python Programming Language. Journal of Educational and Behavioral Statistics, 44(3):348–361.

Lovich, M. A. and Peterfreund, R. A. (2017). Drug Flow Through Clinical Infusion Systems: How Modeling of the Common-volume Helps Explain Clinical Events. Pharmaceutical Technology in Hospital Pharmacy, 2(2):49–62.

NBR 60601-2-24, A. B. d. N. T. (2015). Equipamento eletromédico Parte 2-24: Requisitos particulares para a segurança básica e o desempenho essencial de bombas de infusão e de controladores de infusão. ABNT.

NEITZKE F., F. (2020a). Github - ffabricio/medical-device: Intravenous drug delivery devices. https://github.com/FFabricio/Data-Set-for-Intravenous-Infusion-Profiles-.git. (Acessadoem 07/08/2020).

NEITZKE F., F. (2020b). Infusionprofiler.ipynb - colaboratory. https://colab.research.google.com/drive/1ZOrrrMci4asHoEICX5nMgMmLJn8TAw5j?usp=sharing. (Acessado em 07/01/2021).

Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L., Desmaison, A., Kopf, A., Yang, E., DeVito, Z., Raison, M., Tejani, A., Chilamkurthy, S., Steiner, B., Fang, L., Bai, J., and Chintala, S. (2019). Pytorch: An imperative style, high-performance deep learning library. In Advances in Neural Information Processing Systems 32, pages 8024–8035. Curran Associates, Inc.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Sait, M. K., Aguam, A. P., Mohidin, S., Eidraous, S. A., Tabsh, L. A., Anfinan, N. M., Khalili, B. M. A., Sait, H. K., and Sait, K. H. (2019). Intravenous Site Complications for Patients Receiving Chemotherapy: An Observational Study. Annals of Short Reports, 2(1032):1–4.

Virtanen, P. and et al. (2020). SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature Methods, 17:261–272.
Publicado
15/06/2021
FERREIRA, Fabrício; GRUENDEMANN, Felipe; ARAUJO, Ricardo; YAMIN, Adenauer; AGOSTINI, Luciano. Inferência dos Perfis de Infusão em Sistemas Intravenosos: Uma Abordagem Empregando Técnicas de Aprendizagem de Máquina. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 21. , 2021, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 245-256. ISSN 2763-8952. DOI: https://doi.org/10.5753/sbcas.2021.16069.

##plugins.generic.recommendByAuthor.heading##

1 2 > >>