Mortalidade em Unidades de Terapia Intensiva: uma Abordagem para Predição Explorando Aprendizado de Máquina

• Alexandre Renato Rodrigues de Souza IFRS / LIFEMED
• Fabrício Neitzke Ferreira IFSUL
• Rodrigo Blanke Lambrecht UCPEL / LIFEMED
• Leonardo Costa Reichow LIFEMED
• Rogério da Costa Albandes UFPEL
• Adenauer Correa Yamin UCPEL / UFPEL

DOI: https://doi.org/10.5753/sbcas.2022.222519

Resumo

Esta pesquisa tem por objetivo central a concepção de uma abordagem para predição de mortalidade em UTIs. Foi empregada uma coorte de 17.734 pacientes, provenientes do Banco de Dados MIMIC-III, sendo consideradas 12 variáveis preditoras de entrada e 7 métodos de Aprendizagem de Máquina. A melhor performance foi alcançada pelo método Gradient Boosting Classifier (GBC), que atingiu 0,53 de F1 score e 0,85 de AUC. A abordagem concebida viabiliza a geração de modelos robustos, capazes de detectar padrões ocultos, lidar com grandes quantidades de dados e ter maior poder de discriminação nas classificações. Os resultados são promissores e, em alguns casos, superiores a outras propostas identificadas na revisão de literatura.

Referências

Alghatani, K., Ammar, N., Rezgui, A., and Shaban-Nejad, A. (2021). Predicting intensive care unit length of stay and mortality using patient vital signs: Machine learning model development and validation.

Awad, A., Bader-El-Den, M., McNicholas, J., Briggs, J., and El-Sonbaty, Y. (2020). Predicting hospital mortality for intensive care unit patients: Time-series analysis. Health Informatics Journal, 26(2).

Baker, S., Xiang, W., and Atkinson, I. (2020). Continuous and automatic mortality risk prediction using vital signs in the intensive care unit: a hybrid neural network approach.

Bhattacharya, S. and et al. (2017). ICU mortality prediction: A classification algorithm for imbalanced datasets.

Bradley, A. P. (1997). The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognition, 30(7):1145-1159.

Churpek, M. M. and at al. (2016). Multicenter Comparison of Machine Learning Methods and Conventional Regression for Predicting Clinical Deterioration on the Wards. Critical Care Medicine, 44(2):368-374.

Faceli, K., Lorena, A. C., Gama, J., de Carvalho, A. C. P. d. L. F., and de Almeida, T. A. (2021). Inteligência Artificial Uma Abordagem de Aprendizado de Máquina. 2a edição edition.

Harutyunyan, H., Khachatrian, H., Kale, D. C., Ver Steeg, G., and Galstyan, A. (2019). Multitask learning and benchmarking with clinical time series data. Scientific Data, 6(1).

Johnson, A. E. and at al. (2016). MIMIC-III, a freely accessible critical care database. Scientific Data.

Johnson, A. E. W., Dunkley, N., Mayaud, L., Tsanas, A., Kramer, A. A., and Clifford, D. (2012). Patient Specific Predictions in the Intensive Care Unit Using a Bayesian Ensemble. (Mimic):249-252.

Muralitharan, S. and at al. (2021). Machine learning-Based early warning systems for clinical deterioration: Systematic scoping review. Journal of Medical Internet Research, 23(2).

Pirracchio, R. and at al. (2015). Mortality prediction in intensive care units with the Super ICU Learner Algorithm (SICULA): A population-based study. The Lancet Respiratory Medicine, 3(1):42-52.

Purushotham, S. and at al. (2018). Benchmarking deep learning models on large healthcare datasets.