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 | Seixas, Flávio Luiz | - |
Autor(es): dc.contributor | Bernardini, Flavia | - |
Autor(es): dc.contributor | Ramos, Taiane Coelho | - |
Autor(es): dc.creator | Aragão, Matheus Ribeiro | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:17:50Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:17:50Z | - |
Data de envio: dc.date.issued | 2024-02-20 | - |
Data de envio: dc.date.issued | 2024-02-20 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/32317 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/767712 | - |
Descrição: dc.description | O tromboembolismo venoso (TEV) é uma condição potencialmente fatal que demanda identificação precoce para intervenções eficazes. Este trabalho tem por objetivo estimar um modelo de predição de trombose utilizando técnicas de aprendizado de máquina, foram conduzidos experimentos com três modelos: Decision Tree, Random Forest e XGBoost. Esse trabalho também implementa uma solução prática, integrada em uma plataforma web, para apoiar os profissionais de saúde na tomada de decisões fundamentadas e antecipadas diante desse risco clínico. A avaliação e validação, baseada em dados clínicos de 260 pacientes, destacou o modelo XGBoost como o mais eficaz. O modelo treinado por XGBoost demonstrou uma acurácia de 0,97, indicando sua capacidade de classificar corretamente a maioria das instâncias. Além disso, a Área sob a Curva ROC de 0,75 revelou uma boa capacidade discriminativa, especialmente importante dada a natureza desbalanceada dos dados. Embora a medida de precisão tenha atingido o valor máximo de 1, indicando que todas as predições positivas foram corretas, o recall de 0,5 evidencia que o modelo identificou apenas metade dos casos reais de risco. Contudo, o equilíbrio entre precisão e recall, representado pelo F1-Score de 0,67, sugere um desempenho global satisfatório. A análise da importância das características no modelo revelou fatores importantes para a sua interpretabilidade, características como a presença de cardiopatias, o tempo de internação, a realização de transfusões, entre outros, foram classificados como indicadores significativos de risco. Além dos resultados do modelo, foi realizado uma implementação prática ao integrar o modelo em uma plataforma web. Essa plataforma permite aos profissionais de saúde inserirem dados clínicos de pacientes, recebendo em tempo real uma avaliação de risco de trombose. A plataforma possui uma funcionalidade de internacionalização, oferecendo opções em inglês ou português, contribuindo para sua acessibilidade global | - |
Descrição: dc.description | Venous thromboembolism (VTE) is a potentially fatal condition that requires early identification for effective interventions. This work aims to estimate a thrombosis prediction model using machine learning techniques, conducting experiments with three models: Decision Tree, Random Forest, and XGBoost. Additionally, this work implements a practical solution integrated into a web platform to support healthcare professionals in making informed and early decisions regarding this clinical risk. The evaluation and validation, based on clinical data from 260 patients, highlighted the XGBoost model experiment as the most effective. The XGBoost-trained model demonstrated an accuracy of 0.97, indicating its ability to correctly classify the majority of instances. Furthermore, the Area under the ROC Curve of 0.75 revealed good discriminative ability, especially important given the imbalanced nature of the data. Although the precision measure reached the maximum value of 1, indicating that all positive predictions were correct, the recall of 0.5 indicates that the model identified only half of the actual risk cases. However, the balance between precision and recall, represented by the F1-Score of 0.67, suggests overall satisfactory performance considering the imbalance. The analysis of feature importance in the model revealed significant factors for interpretability. Features such as the presence of heart diseases, length of hospital stay, and transfusions were classified as significant risk indicators. In addition to the model results, a practical implementation was carried out by integrating the model into a web platform. This platform allows healthcare professionals to input clinical data of patients, receiving a real-time thrombosis risk assessment. The platform includes an internationalization feature, offering options in English or Portuguese, contributing to its global accessibility | - |
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 | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Tromboembolismo venoso | - |
Palavras-chave: dc.subject | Modelos de predição | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Saúde da criança | - |
Palavras-chave: dc.subject | Trombose venosa | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Venous thromboembolism | - |
Palavras-chave: dc.subject | Prediction models | - |
Título: dc.title | Desenvolvimento de um sistema para predição de risco de trombose em crianças utilizando aprendizado de máquina | - |
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: