Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Viana, G. A. De S.
Orientador(a): Rodrigues, P. S. S.
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Risco de queda
Pacientes hospitalizados
Aprendizado de Máquina
Seleção de Atributos
Falls risk
Inpatients
Hospitalized Patients
Machine Learning
Feature Selection
Link de acesso: https://repositorio.fei.edu.br/handle/FEI/5746
Resumo: Centro Universitário FEI, São Bernardo do Campo
id FEI_b2d02fbdfe85966e0305b6ba7f53c14d
oai_identifier_str oai:repositorio.fei.edu.br:FEI/5746
network_acronym_str FEI
network_name_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
repository_id_str
spelling Viana, G. A. De S. http://lattes.cnpq.br/0302011461580302Rodrigues, P. S. S.2025-04-29T00:07:58Z2022-08-11Viana, G. A. De S. Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes. 2022. 121 p. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, são Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131519.https://repositorio.fei.edu.br/handle/FEI/574610.31414/EE.2022.D.131519Centro Universitário FEI, São Bernardo do CampoO número de quedas de pacientes em diversas circunstâncias é um dos maiores problemas de gestão e cuidados hospitalares, podendo levar ao agravamento da saúde do paciente, consequente demora na recuperação e custos hospitalares. Portanto, leva a prevenção a ser uma demanda importante para reduzir tantos problemas de saúde dos pacientes quanto problemas econômicos relacionados. Existem diversos fatores demográficos e clínicos que contribuem para aumento desses riscos. Em vista disso, este trabalho propôs um estudo de risco de queda em bases de dados de pacientes intra e pós hospitalizados por meio de técnicas estatísticas e de Aprendizado de Máquina. O estudo incluiu uma análise de grupos e fatores, apresentando aqueles que possuem maiores impactos nas quedas a partir das análises especificadas. Os resultados mostraram que os algoritmos que se destacaram foram Regressão Logística (Logistic Regression) (LR) e Support Vector Machine (SVM), com valores médios de acurácia, Area under the Receiver Operating Characteristic (AUROC) e F1-Score próximos de 0:81, 0:84 e 0:65, respectivamente. Em termos de clusterização, pode-se destacar o algoritmo Agglomerative Hierarchical Clustering que apresentou um valor médio de Calinski Harabasz Index, Davies Bouldin Index, Silhouette Score próximo a 8:06 < 106, 0:81 e 0:45, mostrando ser eficiente e flexível nas diferentes bases selecionadas. Observando os atributos selecionados, pode-se destacar os três segmentos de dados, sendo eles: dados físicos do paciente, comorbidades e fatores relacionados ao ambiente da queda. Através dos resultados comparados da clusterização com os grupos existentes da base original, pode-se destacar que a clusterização pode ser um meio eficiente para agrupar pacientes e facilitar a criação de soluções pontuais para cada persona.The number of patient falls in various circumstances is one of the biggest problems of management and hospital care, and can lead to the worsening of the patient’s health, consequent delay in recovery and hospital costs. Therefore, it leads prevention to be an important demand to reduce both patient health problems and related economic problems. There are several demographic and clinical factors that contribute to the increase in these risks. In viewof this, thiswork proposed a study of risk of falls in databases of intra and post hospitalized patients through statistical and Machine Learning techniques. The study included an analysis of groups and factors, presenting those that have the greatest impact on falls from the specified analyses. The results showed that the algorithms that stood out were LR and SVM, with average accuracy values AUROC and F1-Score close to 0:81, 0:84 and 0:65, respectively. In terms of clustering, the Agglomerative Hierarchical Clustering algorithm can be highlighted, which presented an average value of Calinski Harabasz Index, Davies Bouldin Index, Silhouette Score close to 8:06 < 106, 0:81 and 0:45, showing be efficient and flexible in the different bases selected. Observing the selected attributes, it is possible to highlight the three data segments, namely: patient’s physical data, comorbidities and factors related to the fall environment. Through the compared results of clustering with existing groups from the original base, it can be highlighted that clustering can be an efficient way to group patients and facilitate the creation of point solutions for each persona.Fundação Educacional Inaciana Padre Saboia de Medeiros121Disponível também em versão onlineRisco de quedaPacientes hospitalizadosAprendizado de MáquinaSeleção de AtributosFalls riskInpatientsHospitalized PatientsMachine LearningFeature SelectionUma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisProcessamento de Sinais e Imagensinfo:eu-repo/semantics/openAccessporreponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)instname:Centro Universitário da Fundação Educacional Inaciana (FEI)instacron:FEI2022ORIGINALfulltextfulltextapplication/pdf4924757https://repositorio.fei.edu.br/bitstreams/d201a2b2-4b9f-4d16-a449-1506ecd6a45b/download64ac4b11e097bc041a193f31a2271db4MD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81794https://repositorio.fei.edu.br/bitstreams/827a3e54-3000-4ed5-9bec-d67c146882c9/download5fbd1c68e03ecebec8329de8e93b66ecMD52falseAnonymousREADTEXTfulltext.txtfulltext.txtExtracted texttext/plain102793https://repositorio.fei.edu.br/bitstreams/0ed7c87e-25e2-439c-833d-72fa4f4e21f2/download469f828200d393b7fd492e1a6ebbfdc0MD53falseAnonymousREADTHUMBNAILfulltext.jpgfulltext.jpgGenerated Thumbnailimage/jpeg2497https://repositorio.fei.edu.br/bitstreams/2ae12ab5-7fff-4a67-9104-91a57be8e336/downloaddec4c1e3de38d73ceffc9f6b6a94cd4aMD54falseAnonymousREADFEI/57462025-05-20 18:37:09.418open.accessoai:repositorio.fei.edu.br:FEI/5746https://repositorio.fei.edu.brBiblioteca Digital de Teses e Dissertaçõeshttp://sofia.fei.edu.br/pergamum/biblioteca/PRIhttps://repositorio-api.fei.edu.br/server/oai/requestcfernandes@fei.edu.bropendoar:2025-05-20T18:37:09Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)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
dc.title.none.fl_str_mv Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes
title Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes
spellingShingle Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes
Viana, G. A. De S.
Risco de queda
Pacientes hospitalizados
Aprendizado de Máquina
Seleção de Atributos
Falls risk
Inpatients
Hospitalized Patients
Machine Learning
Feature Selection
title_short Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes
title_full Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes
title_fullStr Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes
title_full_unstemmed Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes
title_sort Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes
author Viana, G. A. De S.
author_facet Viana, G. A. De S.
author_role author
dc.contributor.advisorLattes.none.fl_str_mv http://lattes.cnpq.br/0302011461580302
dc.contributor.author.fl_str_mv Viana, G. A. De S.
dc.contributor.advisor1.fl_str_mv Rodrigues, P. S. S.
contributor_str_mv Rodrigues, P. S. S.
dc.subject.por.fl_str_mv Risco de queda
Pacientes hospitalizados
Aprendizado de Máquina
Seleção de Atributos
Falls risk
Inpatients
Hospitalized Patients
Machine Learning
Feature Selection
topic Risco de queda
Pacientes hospitalizados
Aprendizado de Máquina
Seleção de Atributos
Falls risk
Inpatients
Hospitalized Patients
Machine Learning
Feature Selection
description Centro Universitário FEI, São Bernardo do Campo
publishDate 2022
dc.date.issued.fl_str_mv 2022-08-11
dc.date.accessioned.fl_str_mv 2025-04-29T00:07:58Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv Viana, G. A. De S. Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes. 2022. 121 p. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, são Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131519.
dc.identifier.uri.fl_str_mv https://repositorio.fei.edu.br/handle/FEI/5746
dc.identifier.doi.none.fl_str_mv 10.31414/EE.2022.D.131519
identifier_str_mv Viana, G. A. De S. Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes. 2022. 121 p. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, são Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131519.
10.31414/EE.2022.D.131519
url https://repositorio.fei.edu.br/handle/FEI/5746
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Disponível também em versão online
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 121
dc.coverage.area.none.fl_str_mv Processamento de Sinais e Imagens
dc.source.none.fl_str_mv reponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
instname:Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron:FEI
instname_str Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron_str FEI
institution FEI
reponame_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
collection Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
bitstream.url.fl_str_mv https://repositorio.fei.edu.br/bitstreams/d201a2b2-4b9f-4d16-a449-1506ecd6a45b/download
https://repositorio.fei.edu.br/bitstreams/827a3e54-3000-4ed5-9bec-d67c146882c9/download
https://repositorio.fei.edu.br/bitstreams/0ed7c87e-25e2-439c-833d-72fa4f4e21f2/download
https://repositorio.fei.edu.br/bitstreams/2ae12ab5-7fff-4a67-9104-91a57be8e336/download
bitstream.checksum.fl_str_mv 64ac4b11e097bc041a193f31a2271db4
5fbd1c68e03ecebec8329de8e93b66ec
469f828200d393b7fd492e1a6ebbfdc0
dec4c1e3de38d73ceffc9f6b6a94cd4a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)
repository.mail.fl_str_mv cfernandes@fei.edu.br
_version_ 1856221268536197120

Registros relacionados