Tese

Segmentação e especialização de modelos de machine learning para a predição de mortalidade neonatal (2024)

• Authors:
  • Cristofalo, Renan Martello
  • Chiavegatto Filho, Alexandre Dias Porto (Orientador)
• Autor USP: CRISTOFALO, RENAN MARTELLO - FSP
• Unidade: FSP
• Sigla do Departamento: HEP
• DOI: 10.11606/D.6.2024.tde-04022025-182958
• Subjects: MORTALIDADE NEONATAL; APRENDIZADO COMPUTACIONAL; SAÚDE PÚBLICA
• Keywords: Machine Learning; Otimização de Modelos
• Language: Português
• Abstract: O crescente volume de dados gerados na área da saúde oferece oportunidades sem precedentes para melhorar a qualidade dos cuidados por meio da análise adequada dessas informações. Algoritmos de machine learning surgem como uma ferramenta poderosa, capaz de extrair padrões complexos nos dados, e com isso auxiliar na tomada de decisões clínicas, na personalização de tratamentos e na detecção precoce de doenças. Este estudo teve como objetivo desenvolver e avaliar modelos de machine learning para a predição de mortalidade neonatal, com um foco em explorar e testar diferentes estratégias de segmentação e especialização dos modelos, utilizando dados coletados pelo Maternal Newborn Health Registry (MNHR), abrangendo diversos países em desenvolvimento. Entre os 692 modelos avaliados, o LGBMClassifier destacou-se, apresentando a melhor performance global com uma ROC AUC de 0,8609, evidenciando sua alta capacidade de discriminação entre casos de mortalidade e sobrevivência neonatal. Embora o modelo global tenha demonstrado superioridade, a segmentação dos dados por variáveis contextuais, como local de parto e via de parto, mostrou-se promissora para a especialização dos modelos, resultando em melhorias de desempenho em contextos específicos.No entanto, a eficácia dessas estratégias depende da quantidade de dados disponíveis em cada segmento, como ficou evidenciado pela segmentação por localização geográfica que não apresentou os ganhos esperados devido à variação significativa na composição dos dados entre as bases de treino e teste, apontando para a necessidade de um volume adequado de amostras para treinar os modelos segmentados de forma eficaz. A segmentação por variáveis tradicionalmente consideradas importantes, como peso ao nascer, não trouxe os ganhos esperados nos modelos especializados, principalmente devido à baixa presença de casos extremos nas bases de dados. A análise de explicabilidade utilizando valores de Shapley revelou que variáveis como contato pele a pele e peso ao nascer foram consistentemente identificadas como os principais preditores, influenciando diretamente as decisões do modelo. Assim, este estudo destaca a importância de um equilíbrio entre a robustez dos modelos globais e a especialização proporcionada pela segmentação, sugerindo que a escolha da estratégia ideal depende do contexto e da disponibilidade de dados
• Imprenta:
  • Publisher place: São Paulo
  • Date published: 2024
• Data da defesa: 19.11.2024

Informações sobre o DOI: 10.11606/D.6.2024.tde-04022025-182958 (Fonte: oaDOI API)
• 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

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  CRISTOFALO, Renan Martello. Segmentação e especialização de modelos de machine learning para a predição de mortalidade neonatal. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-04022025-182958/. Acesso em: 01 jan. 2026.

• APA

  Cristofalo, R. M. (2024). Segmentação e especialização de modelos de machine learning para a predição de mortalidade neonatal (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/6/6143/tde-04022025-182958/

• NLM

  Cristofalo RM. Segmentação e especialização de modelos de machine learning para a predição de mortalidade neonatal [Internet]. 2024 ;[citado 2026 jan. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-04022025-182958/

• Vancouver

  Cristofalo RM. Segmentação e especialização de modelos de machine learning para a predição de mortalidade neonatal [Internet]. 2024 ;[citado 2026 jan. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-04022025-182958/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Inteligência artificial: noções básicas para os profissionais de saúde