Previsão de infecção relacionada à assistência à saúde em pacientes adultos de UTI utilizando ferramentas de inteligência artificial

• Vitor Pires Silva e Souza UFG
• Deborah Silva Alves Fernandes UFG
• Silvana L. V. dos Santos UFG
• Márcio Giovane Cunha Fernandes UEG

DOI: https://doi.org/10.5753/sbcas.2024.2778

Resumo

Este artigo explora o uso de técnicas de inteligência artificial para prever Infecções Relacionadas à Assistência à Saúde (IRAS). O estudo, baseado em dados de um Hospital Escola de referência coletados entre janeiro e agosto de 2021, investiga quais algoritmos de aprendizado de máquina são mais eficazes para prever IRAS. Foram utilizados algoritmos de classificação, como Random Forest, Decision Tree, Gradient Boosting, Adaboost e XGboost. A métrica da área sob a curva ROC (Receiver Operating Characteristic) e StratifiedKFold foram utilizados para medir o desempenho dos modelos. Os resultados para Random Forest, Decision Tree, Adaboost, Gradient Boosting e XGboost foram 0,91; 0,78; 0,81; 0,92; e 0,87, respectivamente. Com essas informações, o estudo contribui para o desenvolvimento de estratégias que reduzem os riscos associados a infecções hospitalares.

Referências

Ali, J., Khan, R., Ahmad, N., and Maqsood, I. (2012). Random forests and decision trees. International Journal of Computer Science Issues (IJCSI), 9(5):272.

Assaf, D., Gutman, Y., Neuman, Y., Segal, G., Amit, S., Gefen-Halevi, S., Shilo, N., Epstein, A., Mor-Cohen, R., Biber, A., et al. (2020). Utilization of machine-learning models to accurately predict the risk for critical covid-19. Internal and emergency medicine, 15:1435–1443.

Dixit, R. R. (2022). Predicting fetal health using cardiotocograms: A machine learning approach. Journal of Advanced Analytics in Healthcare Management, 6(1):43–57.

Freire, D. L., de Oliveira, R., Carmelo Filho, J., et al. (2020). Machine learning applied in sars-cov-2 covid 19 screening using clinical analysis parameters. IEEE Latin Am. Trans, 100(1).

Pessoa, S. M. B., Oliveira, B. S. d. S., Santos, W. G. d., Oliveira, A. N. M., Camargo, M. S., Matos, D. L. A. B. d., Silva, M. M. L., Medeiros, C. C. d. Q., Coelho, C. S. d. S., Andrade Neto, J. d. S., et al. (2023). Predição de choque séptico e hipovolêmico em pacientes de unidade de terapia intensiva com o uso de machine learning. Revista Brasileira de Terapia Intensiva, 34:477–483.

Prakash, K. B., Imambi, S. S., Ismail, M., Kumar, T. P., and Pawan, Y. (2020). Analysis, prediction and evaluation of covid-19 datasets using machine learning algorithms. International Journal, 8(5):2199–2204.

Qader, W., M. Ameen, M., and Ahmed, B. (2019). An overview of bag of words;importance, implementation, applications, and challenges. pages 200–204.

Raut, K., Patil, J., Wade, S., and Tinsu, J. (2022). Mental health and personality determination using machine learning. In 2022 7th International Conference on Communication and Electronics Systems (ICCES), pages 1231–1236. IEEE.