Defesa de Dissertação de Mestrado do Programa de Pós-graduação em Ciência da Computação. Confira abaixo as informações da atividade:
Aluno: DIEGO CANDIDO DE SOUZA
Título: MODELOS DE APRENDIZADO DE MÁQUINA PARA PREDICAO DE OBITO DE PACIENTES EM HEMODIALISE
Orientador: Dra. Soraia Raupp Musse
Banca Examinadora:
Dr. Frederico Orlando Friedrich (PPG de Medicina Pediatria e Saúde da Criança/PUCRS), Dra. Milene Selbach Silveira (PPGCC/PUCRS)
Data: 18 de setembro de 2024
Local: Prédio 32 sala 515
Horário: 9h
Resumo:
No Brasil, 133.464 pessoas com Doença Renal Crônica (DRC) estão em hemodiálise com mortalidade. Os biomarcadores obrigatórios para o acompanhamento desses pacientes são determinados pela Diretriz Clínica do Ministério da Saúde de 2014. Mais de trinta biomarcadores são avaliados anualmente. Nenhuma avaliação crítica sobre o valor de uso preditivo desses biomarcadores foi realizada no país, utilizando Aprendizado de Máquina (AM).
Assim, o presente projeto tem o objetivo de desenvolver modelos de AM que permitam predizer o desfecho de óbito em pacientes em hemodiálise com base nos biomarcadores de rotina. Pretende-se, com isso, gerar instrumentos de monitoramento que possibilitem avaliar a efetividade preditiva dos exames clínicos, a fim de melhorar a qualidade de vida dos pacientes e contribuir na gestão de custos do Sistema Único de Saúde (SUS). Neste trabalho, são utilizados dados de pacientes incidentes em hemodiálise de um estudo de coorte retrospectivo realizado de 2012 a 2019 em 23 unidades de diálise de cinco estados brasileiros. As features utilizadas no desenvolvimento dos modelos são os biomarcadores, variáveis de perfil dos pacientes e desfechos clínicos. Serão testadas diferentes abordagens e algoritmos de AM usando os modelos de Decision Tree, Random Forest, Logistic Regression e XGBoost ML no intuito de identificar o melhor modelo preditivo.
