Previsão de mortalidade após cirurgia cardíaca congênita utilizando aprendizagem de máquina

• Ano de defesa: 2020
• Autor(a) principal: Binuesa, F.
• Orientador(a): Chang Junior, João
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: Machine learning; Cardiopatia congênita
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/3126

A doença cardíaca congênita (congenital heart diseases) é a causa mais comum de grandes anomalias de mesmo gênero, responsável por quse um terço de todas as principais anomalias congênitas. Os defeitos cardíacos congênitos são condições graves e comuns com impacto significativo na morbidade, mortalidade e custos de saúde para crianças e adultos. No tratamento de pacientes com cardiopatia congênita são rara as pesquisas relacionadas ao risco de mortalidade pré-cirúrgica. Este estudo tem como objetivo propor um modelo de previsão individual de risco de morte para cirurgia cardíaca de pacientes com cardiopatia congênita e auxiliar profissionais da saúde na compreensão de quais diagnósticos ou variáveis estão associadas ao risco de morte. Utilização de técnicas de aprendizagem de máquina (machine learning) como ferramenta de apoio à tomada de decisão na área da medicina vem aumentando nos últimos anos. De posse das informações de cirurgias realizadas em pacientes com cardiopatia congênita extraídas do banco de dados ASIST do InCor, foi possível treinar seis diferentes algoritmos de aprendizagem de máquina (machine learning0 na previsão de risco de mortalidade pré cirúrgica e compreender quais variáveis impactam o risco de mortes desses pacientes. Os algoritmos treinados neste estudo foram: Multilayer Perceptron (MLP), Random Forest (RF), Extra Trees (ET), Stochastic Gradient Boosting (SGB), AdaBoost Classification (ABC) e Bagged Decision Trees (BDT). Para prever o risco de mortalidade do paciente, o modelo com melhor desempenho foi o Random Forest (RF) com ROC AUC (area under the receiver operating characteristics) de 90,2%, índices de AP (avferage precision) de 0,73 e índice de sensibilidade (recall) de 92,2%. Os algoritmos de aprendizagem de máquina (machine learning) podem auxiliar na compreensão dos riscos de mortalidade de pacientes com cardioopatia congênita quando submetida a uma intervenção cirúrgica cardíaca e permitem que especialistas clínicos compreendam melhor os riscos associados à intervenção cirúrgica, fornecendo informações para apoio à decisão dos profissionais de saúde, pacientes e seus familiares