Elaboração de modelo preditivo de mortalidade de pacientes com sepse com base em coorte retrospectiva (2023)
- Authors:
- Autor USP: VIEIRA, JULIANA DE CAMARGO - FM
- Unidade: FM
- DOI: 10.11606/T.5.2023.tde-21092023-113001
- Subjects: APRENDIZADO COMPUTACIONAL; SEPSE; PREDIÇÃO
- Keywords: Machine learning; Modeling; Mortality prediction; Out-of-hospital mortality; Random forest; Sepsis; Support vector machine
- Language: Português
- Abstract: Introdução: Sepse é uma disfunção orgânica causada por uma resposta desregulada do hospedeiro a uma infecção (Singer et al. 2016) com alta mor-talidade (Rudd et al. 2020) cujo diagnóstico é feito pelo escore da pontuação sequencial de avaliação de falência orgânica (SOFA). Intervenções realizadas nos pacientes sépticos em momentos oportunos resultam em menor morbimortali¬dade e menor tempo de hospitalização (Barwise et al. 2016; Seymour et al. 2017). Para melhorar o atendimento ao paciente séptico e evitar o agravamento da doença é importante o desenvolvimento de modelos não enviesados e preditivos e sistemas de apoio a tomada de decisões para que estas sejam mais direcionadas e eficientes (Bulgarelli et al. 2020). Alguns modelos tentam predizer mortalidade em tempo real e obtêm área sob a curva característica de operação do receptor (AUROC) de até 0.920 quando usam aprendizado de máquina (ML) (Johnson e Mark 2017). Outros modelos trabalham na predição do diagnóstico de sepse em tempo real e em modelos de aprendizado de máquina obtêm AUROC entre 0.680 e 0,990. Métodos: Usando dados do MIMIC TV, selecionamos pacientes no momento em que apresentam escore SOFA ≥2 e suspeita de infecção. Filtra¬mos dados referentes às 48 posteriores a esse momento e por meio de algoritmos de ML avaliamos parâmetros que podem ser preditivos de mortalidade geral e mortalidade extra-hospitalar. Resultados: O experimento (i) com todos variáveis que apresentavam menos de 10 % de dados faltantesobteve AUROC entre 0.66 e 0.74 (floresta aleatória). O experimento (ii) com variáveis importantes na sepse, obteve AUROC entre 0.62 e 0.72. O experimento (iii) com as variáveis com melhor desempenho individual obteve AUROC de 0.74 na predição de mortalidade extra hospitalar. O experimento (iv) com as variáveis do experimento iii e valores de CD4 e CD8, obteve AUROC de 0.93 na predição de mortalidade extra hospitalar. O experimento (v) com as variáveis com a razão CD4/CD8, obteve AUROC de 0.96 na predição de mortalidade extra hospitalar. Conclusões: O uso de variáveis coletadas rotineiramente podem contribuir para a construção e melhora da proba-bilidade de acerto de modelos que predizem mortalidade de pacientes com sepse, especialmente se incluir variáveis imunes como CD4 e CD8
- Imprenta:
- Data da defesa: 06.06.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
VIEIRA, Juliana de Camargo. Elaboração de modelo preditivo de mortalidade de pacientes com sepse com base em coorte retrospectiva. 2023. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/5/5164/tde-21092023-113001/. Acesso em: 28 dez. 2025. -
APA
Vieira, J. de C. (2023). Elaboração de modelo preditivo de mortalidade de pacientes com sepse com base em coorte retrospectiva (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/5/5164/tde-21092023-113001/ -
NLM
Vieira J de C. Elaboração de modelo preditivo de mortalidade de pacientes com sepse com base em coorte retrospectiva [Internet]. 2023 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/5/5164/tde-21092023-113001/ -
Vancouver
Vieira J de C. Elaboração de modelo preditivo de mortalidade de pacientes com sepse com base em coorte retrospectiva [Internet]. 2023 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/5/5164/tde-21092023-113001/
Informações sobre o DOI: 10.11606/T.5.2023.tde-21092023-113001 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
