Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Gismondi, Ronaldo Altenburg Odebrecht Curi | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8857773663710888 | - |
Autor(es): dc.contributor | Seixas, Flavio Luiz | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4319951805195534 | - |
Autor(es): dc.contributor | Matos, Jorge Paulo Strogoff de | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8050504577579361 | - |
Autor(es): dc.contributor | Mesquita, Evandro Tinoco | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/5803297417778354 | - |
Autor(es): dc.contributor | Souza, Fabio de | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8721902981262427 | - |
Autor(es): dc.creator | Palmer, Dayanna de Oliveira Quintanilha | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:10:43Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:10:43Z | - |
Data de envio: dc.date.issued | 2025-07-23 | - |
Data de envio: dc.date.issued | 2025-07-23 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/39432 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1056023 | - |
Descrição: dc.description | Introdução. A insuficiência cardíaca (IC) tem uma prevalência estimada em 64 milhões de pessoas em todo o mundo. Prever o risco de mortalidade em pacientes com IC é crucial para identificar indivíduos de alto risco e estabelecer estratégias de tratamento adequadas. Algoritmos de aprendizado de máquina oferecem imenso potencial para a previsão de risco de doenças cardiovasculares, incluindo IC. Este estudo teve como objetivo avaliar e comparar o desempenho preditivo do Extreme Gradient Boosting (XGB), um modelo de classificação usado em conjunto com um algoritmo de aprendizado de máquina, com dois escores tradicionais, ADHERE e GWTG, para risco de mortalidade em pacientes internados na UTI com IC. Materiais e métodos. A partir do banco de dados MIMIC-IV, uma base pública americana de dados em saúde, selecionamos pacientes com 18 anos ou mais, com diagnóstico de IC internados em unidades de terapia intensiva cardíaca (UTIC). Desenvolvemos um modelo de previsão de risco usando o algoritmo XGB e calculamos as pontuações ADHERE e GWTG para comparação. A variável prevista foi a taxa de mortalidade hospitalar. O desempenho desses escores e do modelo XGB foi avaliado por meio da área sob a curva característica de operação do receptor (AUROC). Resultados. Um total de 5664 pacientes adultos foi incluído no estudo e dividido aleatoriamente em um grupo de derivação (n = 4482, 80%) ou de validação (n = 1122, 20%). A análise revelou 346 óbitos intra-hospitalares, representando 6,2% da população total de pacientes. O desempenho do nosso modelo baseado em XGB (AUC = 72,1% IC: 65,23%-79%) foi superior ao do GWTG (AUC = 65,5% IC: 58,7-72,2%) e do ADHERE (AUC = 63,4% IC: 56,6%-70,2%). O débito urinário e a PAM se destacaram como preditores significativos de risco. Conclusão. Desenvolvemos um modelo de previsão de mortalidade intra-hospitalar específico para pacientes com IC em UTIC, que demonstrou um desempenho superior aos modelos ADHERE e GWTG, sugerindo sua utilidade para aprimorar decisões clínicas. Sua implementação rotineira e avaliação em estudos prospectivos são indicadas para validar seu potencial em cenários reais | - |
Descrição: dc.description | Introduction. Heart failure (HF) has an estimated prevalence of 64 million people globally. Predicting the mortality risk in HF patients is crucial for identifying high-risk individuals and establishing appropriate treatment strategies. Machine-learning algorithms offer immense potential for the risk prediction of cardiovascular conditions, including HF. This study aimed to evaluate and compare the predictive performance of Extreme Gradient Boosting (XGB), a classification model used in conjunction with a machine learning algorithm, with two traditional scores, ADHERE and GWTG, for mortality risk in patients admitted to the CICU with HF. Materials and methods. Using data from the MIMIC-IV database, we selected patients who were 18 years or older, with a diagnosis of HF admitted to Cardiac Intensive Care Units (CICUs). We developed a risk prediction model using the XGB algorithm and computed the ADHERE and GWTG scores for comparison. The predicted variable was the in-hospital mortality rate. The performance of these scores and the XGB model was assessed using the area under the receiver operating characteristic curve (AUROC). Results. A total of 5664 adult patients were included in the study and randomly divided into a derivation group (n = 4482, 80%) or validation group (n = 1122, 20%). The analysis revealed 346 in-hospital deaths, representing 6.2% of the total patient population. The performance of our XGB-based model (AUC = 72.1% CI: 65.23%-79%) was superior to that of GWTG (AUC = 65.5% CI: 58.7%- 72.2%) and ADHERE (AUC = 63.4% CI: 56.6%-70.2%). Urine output and mean arterial pressure emerged as significant risk predictors. Conclusion. We developed an in-hospital mortality prediction model specific to ICU-admitted HF patients, which demonstrated superior performance to the ADHERE and GWTG models, suggesting its utility for enhancing clinical decision-making. Routine implementation and evaluation in prospective studies are indicated to validate its potential in real-world settings. | - |
Descrição: dc.description | 55 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | predição | - |
Palavras-chave: dc.subject | mortalidade | - |
Palavras-chave: dc.subject | insuficiência cardíaca | - |
Palavras-chave: dc.subject | Insuficiência cardíaca | - |
Palavras-chave: dc.subject | Mortalidade | - |
Palavras-chave: dc.subject | prediction | - |
Palavras-chave: dc.subject | mortality | - |
Palavras-chave: dc.subject | heart failure | - |
Título: dc.title | Predição de mortalidade intra-hospitalar em pacientes com insuficiência cardíaca: extreme gradient boosting versus GWTG e ADHERE | - |
Tipo de arquivo: dc.type | Dissertação | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: