Please use this identifier to cite or link to this item: https://repositorio.fei.edu.br/handle/FEI/3202
Title: Aprendizado de máquina para classificação da desocupação de leitos pós-cirúrgicos: um estudo sobre pacientes cardiopatas congênitos
Authors: Teramachi, A. G.
Advisor: Lima, Fabio
Issue Date: 2020
Abstract: As cardiopatias congênitas estão entre as anomalias congênitas mais comuns e caso não sejam descobertas e tratadas adequadamente em um estágio inicial, bebês e crianças terão uma qualidade de vida ruim e poderão ir a óbito no decorrer do tempo. Em muitos casos, faz-se necessária a intervenção cirúrgica antes do primeiro ano de vida e quando ela ocorre, é importante estimar o tempo de ocupação dos leitos pós cirúrgicos, tanto para o gerenciamento de capacidade, planejamento e otimização de recursos por parte do hospital quanto para orientar os pacientes e suas famílias. O presente estudo tem como objetivo propor dois modelos, através da utilização de algoritmos de Aprendizado de máquina (Machine Learning), um para classificação do tempo de ocupação de leitos de UTI pós cirúrgicos, outro para classificação do tempo de ocupação de leitos de enfermaria pós cirúrgicos, já que são raras as pesquisas relacionadas ao tempo de ocupação de leitos pós cirúrgicos de enfermaria individualmente. Os dados utilizados para treinamento dos algoritmos são referentes a cirurgias cardíacas realizadas em pacientes portadores de cardiopatias congênitas, extraídas do banco de dados ASSIST, particular do Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (InCor - FMUSP). Os algoritmos treinados foram: Random Forest, ExtraTrees, Gradient Boosting, Adaboost, Support Vector Machine e a rede neural Multilayer Perceptron treinada utilizando o algoritmo Backpropagation. O modelo que apresentou o melhor desempenho para classificação do tempo de ocupação dos leitos de UTI foi o Random Forest para classificação do tempo de ocupação dos leitos de enfermaria foi o Gradient Boosting
Congenital heart diseases are among the most common congenital anomalies and if they aren’t discovered and treated properly at na early stage, babies and children can have a poor quality of life and may die over time. In many cases, surgical intervention is necessary before the first year of life and when it occurs, it is importante to estimate the length of stay in post-surgical beds, both for capacity management, planning and optimization of resources by the hospital and to guide patients and their families. The present study aims to propose two models, through the use of Machine Learning algorithms, one to classify the length of stay in post-surgical ICU beds and the other to classify the length of stay in post-surgical ward beds, since research related to the length of stay in postsurgical ward beds is rare. The data used to train the algoritgms are regarding cardiac surgeries performed on congenital heart patients extracted from the ASSIST, private database of the Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (InCor - FMUSP). The trained algorithms were: Random Forest, Extra Trees, Gradient Boosting, Adaboost, Support Vector Machine and the Multilayer Perceptron neural network trained with the Backpropagation algorithm. The model that presented the best performance to classify the length of stay in ICU beds was the Random Forest and to classify the length of stay of ward beds was the Gradient Boosting
Keywords: Cardiopatia congênita
Coração
Aprendizado do computador
Publisher: Centro Universitário FEI, São Bernardo do Campo
Citation: TERAMACHI, A. G. <b> Aprendizado de máquina para classificação da desocupação de leitos pós-cirúrgicos: </b> um estudo sobre pacientes cardiopatas congênitos. 2020. 152 f. Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário FEI, São Bernardo do Campo, 2020. Disponível em: https://doi.org/10.31414/EM.2020.D.131235.
DOI: https://doi.org/10.31414/EM.2020.D.131235
URI: https://repositorio.fei.edu.br/handle/FEI/3202
Appears in Collections:Teses e Dissertações

Files in This Item:
File Description SizeFormat 
fulltext.pdf3.61 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.