Avaliando Métodos de Aprendizado de Máquina na Concepção de uma Abordagem para Predição Antecipada do Risco de Mortalidade em UTIs
Resumo
Esta pesquisa tem por objetivo central a concepção de uma abordagem para predição do risco de mortalidade em UTIs. Foi empregada uma coorte de 17.734 pacientes provenientes do Banco de Dados MIMIC-III, sendo consideradas 10 variáveis preditoras de entrada e 8 métodos de Aprendizado de Máquina. A melhor performance foi alcançada pelo método Gradient Boosting Machine (GBM), que atingiu 0,843 (±0,015) de AUC e 0,503 (±0,048) de F1 score. Os resultados são promissores e, em alguns casos, superiores a outras propostas identificadas na revisão de literatura.
Palavras-chave:
Mortalidade, Aprendizado de Máquina, UTI, Deterioração, Alerta Prococe, Sinais Vitais
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.
Bergstra, J. and Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13:281–305.
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.
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.
Zhu, Y. and at al. (2018). Predicting ICU mortality by supervised bidirectional LSTM networks.
Bergstra, J. and Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13:281–305.
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.
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.
Zhu, Y. and at al. (2018). Predicting ICU mortality by supervised bidirectional LSTM networks.
Publicado
31/07/2022
Como Citar
SOUZA, Alexandre Renato Rodrigues de; FERREIRA, Fabrício Neitzke; LAMBRECHT, Rodrigo Blanke; REICHOW, Leonardo Costa; REISER, Renata Hax Sander; YAMIN, Adenauer Correa.
Avaliando Métodos de Aprendizado de Máquina na Concepção de uma Abordagem para Predição Antecipada do Risco de Mortalidade em UTIs. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 49. , 2022, Niterói.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 206-211.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2022.223058.
