Comparação de métodos de aprendizado de máquina na predição de acidemia fetal

• Ano de defesa: 2023
• Autor(a) principal: Tomé, Fernanda
• Orientador(a): Corso, Leandro Luís
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng; por
• Palavras-chave em Português: Recém-nascidos - Doenças; Cordão umbilical; Asfixia
• Palavras-chave em Inglês: Newborn infants - Diseases; Umbilical cord; Asphyxia
• Link de acesso: https://repositorio.ucs.br/11338/12784

Introdução: A acidemia fetal, caracterizada por um pH da artéria umbilical inferior a 7,1, é a principal causa de asfixia intraparto. O pH da artéria umbilical indica comorbidades durante o parto, bem como no desenvolvimento da criança. Verifica-se a necessidade de métodos não invasivos para acessar esse parâmetro para auxiliar na tomada de decisão. Objetivo: Comparar modelos de aprendizado de máquina para prever acidemia fetal em um hospital universitário no sul do Brasil. Método: O estudo revisou registros de 567 pacientes com gravidez única cujos partos aconteceram no HGCS entre 2011 e 2016. Realizou-se uma análise estatística e os seguintes algoritmos de aprendizado de máquina foram desenvolvidos no Python: Extra Trees Classifier, Random Forest Classifier, Support Vector Machine, Nonlinear SVM with RBF Kernel, Artificial Neural Networks, Gradient Boosting Machine e Logistic Regression. Também se utilizou a função GridSearchCV para encontrar os melhores parâmetros de cada modelo para otimização. Resultados: O Grupo I apresenta 397 recém-nascidos com pH da artéria umbilical superior a 7,1 enquanto o Grupo II contém 170 recém-nascidos com pH da artéria umbilical igual ou inferior a 7,1. A análise estatística indicou diferença significativa entre o Grupo I e o Grupo II nas seguintes variáveis: paridade, natimorto prévio, idade gestacional, diabetes, apresentação fetal, tipo de parto e escores de Apgar no primeiro e quinto minuto. O modelo com a maior AUROC depois da otimização foi Artificial Neural Networks (0.82), seguido por Logistic Regression (0.81), Support Vector Machine (0.80), Gradient Boosting Machine (0.78), Random Forest Classifier (0.78), Extra Trees Classifier (0.76), and Nonlinear Support Vector Machine with RBF Kernel (0.71). Os modelos Artificial Neural Networks e Logistic Regression tiveram uma excelente precisão (0.78 vs 0.79), recall (0.95 vs 0.95), F1-score (0.86 vs 0.87), e acurácia (0.79 vs 0.80). Conclusão: Modelos de aprendizado de máquina podem ser utilizados para auxiliar profissionais de saúde na tomada de decisão. Dentre os algoritmos propostos, as Redes Neurais Artificiais e a Regressão Logística apresentaram o melhor desempenho na identificação de ambos os grupos para prever a acidemia fetal; Embora ambos esses modelos tenham a melhor acurácia, recomendamos o uso da Regressão Logística visto que exige menos capacidade computacional. Este estudo representa um método não invasivo para identificar o pH da artéria umbilical. [resumo fornecido pelo autor]