DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 313
Aluno: Ailson Gomes de Oliveira
Título: “Predição de Sepse em Pacientes de UTI Utilizando Ensemble Stacking de Modelos de Machine Learning"
Orientador: Wellington Pinheiro dos Santos
Examinador Externo: Fabiano Tonaco Borges (UFPE)
Examinador Interno: Sidney Marlon Lopes de Lima
Data-hora: 20 de dezembro de 2024, às 10h.
Local: Formato Remoto.
Resumo:
"A sepse, uma resposta inflamatória sistêmica desregulada a uma infecção, representa um desafio global de saúde pública devido à sua alta incidência e mortalidade, especialmente em Unidades de Terapia Intensiva (UTIs). A detecção precoce é crucial para o tratamento eficaz, mas os sintomas iniciais podem ser inespecíficos, dificultando o diagnóstico. Sistemas de pontuação clínica, como o MEWS e o SOFA, auxiliam na identificação de pacientes em risco, mas apresentam limitações. A Inteligência Artificial (IA) e o aprendizado de máquina surgem como ferramentas promissoras para aprimorar a predição da sepse, permitindo intervenções mais precoces e eficazes. Este estudo teve como objetivo desenvolver e comparar modelos de aprendizado de máquina, incluindo um modelo de ensemble stacking, para prever a ocorrência de sepse em pacientes de UTI, utilizando a base de dados MIMIC-III. A metodologia incluiu o pré-processamento dos dados, o treinamento de modelos individuais (Random Forest, LightGBM, KNN, XGBoost, Árvore de Decisão e Regressão Logística) e a construção do modelo de ensemble stacking. O desempenho dos modelos foi avaliado por meio de métricas como acurácia, F1-score, recall e AUC, e a significância estatística das diferenças foi verificada por testes de Wilcoxon, ANOVA e Tukey HSD. Os resultados demonstraram a superioridade do modelo de ensemble stacking, que alcançou uma acurácia de 97%."
O Programa
