Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Santana, Rosimere Ferreira | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7325445135879520 | - |
Autor(es): dc.contributor | Carmo, Thalita Gomes do | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0707938810867611 | - |
Autor(es): dc.contributor | Carvalho, Aline Marins Paes | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0506389215528790 | - |
Autor(es): dc.contributor | Flores, Paula Vanessa Peclat | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0232661366734847 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4246081922240109 | - |
Autor(es): dc.creator | Hercules, Ana Beatriz Serra | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:15:27Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:15:27Z | - |
Data de envio: dc.date.issued | 2022-10-26 | - |
Data de envio: dc.date.issued | 2022-10-26 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/26692 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/766836 | - |
Descrição: dc.description | Introdução: O tema de estudo trata da viabilidade de desenvolvimento de um método de aprendizado de máquina mediante o conteúdo das conversas obtidas via WhatsApp® dos pacientes submetidos à cirurgia cardíaca acompanhados da alta hospitalar até 30 dias. Hipótese: Há viabilidade de desenvolvimento de um modelo preditivo de aprendizado de máquina para o seguimento de pacientes submetidos a cirurgia cardíaca. Objetivo: Propor um modelo de aprendizagem de máquina para prever o prognóstico de Recuperação do paciente cirúrgico a partir do conteúdo das conversas obtidas via WhatsApp® e alertar profissional da saúde. Método: Trata-se de uma pesquisa metodológica, de desenvolvimento de tecnologias. Foram utilizados dados dos pacientes submetidos à cirurgia cardíaca após a alta hospitalar, no sétimo (D7), décimo quinto (D15) e trigésimo (D30) dias via WhatsApp® ou, quando não havia resposta, por chamada telefônica. Foi construído um banco de dados no Microsoft Excel 2016, os modelos foram implementados fazendo-se uso da biblioteca Scikit-Learn da linguagem de programação Python, utilizado a arquitetura de rede neural chamada de Multilayer Feedforward Networks que consiste no algoritmo de rede que possui uma ou mais camadas e unidades ocultas. Com isso realizou-se o processo de escolha, idealização, desenvolvimento e treinamento que resultou em métricas de precisão, acurácia e recall, que significaram a qualidade do modelo em acertar o desfecho de recuperação cirúrgica dos pacientes, o qual foi proposto. Essa pesquisa está vinculada ao projeto “Validação do Diagnóstico de Enfermagem de Recuperação Cirúrgica Retardada (RCR)” aprovado pelo Conselho de Ética e Pesquisa do Hospital Universitário Antônio Pedro (HUAP) e pela instituição coparticipante Instituto Nacional de Cardiologia (INC) pelo parecer nº 1.759.757 e CAAE: 36683714.9.3001.5272. Resultados: Os pacientes eram majoritariamente do sexo masculino (56,8%), tinham média de idade de 58,1 anos (desvio padrão ± 9,9) e a cirurgia mais realizada foi a de revascularização do miocárdio com CEC (45,7%), seguida por troca valvar múltipla ou combinada com plastia (17,3%) e troca/plastia de aorta (14,8%). Foram criadas três nuvens da análise textual destacam-se: hospital; cicatriz; consulta; tudo bem; alimentando bem; agradeço a atenção; bem cicatriz; sinto dores; voltei hospital; exame de sangue; tirei os pontos; cicatriz fechada; caminhado sim; cicatriz boa; ainda sinto dores; tudo bem comigo; alimentado bem cicatriz; fazer exame de sangue; cicatriz cirurgia fechada; muita falta de ar; e vou voltar hospital. O modelo proposto demonstrou as seguintes métricas: acurácia de 72,8%, a precisão de 80,6% e recall de 83,3%. Conclusão: As nuvens de palavras demonstram a recuperação dos pacientes em seu tempo estimado, suas queixas e necessidades de intervenção para evitar complicações. O modelo de aprendizagem de máquina proposto poderá auxiliar na predição prognóstica dos pacientes se desenvolvido a próxima etapa com o conteúdo e testado novamente. As tecnologias são ferramentas de auxílio ao exercício profissional de enfermagem e carecem de implementação na prática com tecnologias já empregadas pelos pacientes para incluir a saúde no cotidiano diário da pessoas | - |
Descrição: dc.description | 44 p. | - |
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 | Enfermagem perioperatória | - |
Palavras-chave: dc.subject | Enfermagem cardiovascular | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Cuidados de enfermagem | - |
Palavras-chave: dc.subject | Cirurgia torácica | - |
Título: dc.title | Aprendizado de máquina para seguimento de pacientes no pós operatório de cirurgia cardíaca via WhatsApp® | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
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: