???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tede.ufam.edu.br/handle/tede/8759
???metadata.dc.type???: Dissertação
Title: Predição de mortalidade de pacientes com traumatismo cranioencefálico no Brasil usando técnicas de aprendizagem de máquina
???metadata.dc.creator???: Guimarães, Kellen Adriely Alvarenga 
???metadata.dc.contributor.advisor1???: Costa Filho, Cícero Ferreira Fernandes
First advisor-co: Costa, Marly Guimarães Fernandes
???metadata.dc.contributor.referee1???: Pereira, José Raimundo Gomes
???metadata.dc.contributor.referee2???: Amorim, Robson Luis Oliveira de
???metadata.dc.description.resumo???: Esse trabalho propõe, de forma original, a utilização de redes neurais convolutivas para a predição da mortalidade em até 14 dias de pacientes com trauma crânio encefálico. O desempenho das redes neurais é comparado com o desempenho de outras ferramentas clássicas de aprendizado de máquina, como regressor logístico, perceptron multicamadas, máquina de vetores de suporte, árvores de decisão e floresta randômica. Na simulação dos modelos utilizando redes neurais, diversos métodos de otimização foram utilizados, como RMSProp, Adam, Adamax e SGDM. A base de dados utilizadas é constituída de 529 registros e 16 variáveis preditoras, tendo sido obtida no Hospital das Clínicas (São Paulo, Brasil). Devido a presença de muitos valores ausentes nas variáveis preditoras propõe-se e avaliou-se dois procedimentos para o preenchimento dos valores ausentes das mesmas, utilizando métodos como árvore de decisão, floresta randômica, k-vizinho mais próximo e regressão linear. Os melhores resultados obtidos para a taxa de predição foram precisão de 0,845 e área sob a curva ROC de 0,911
Abstract: This work proposes, in an original way, the use of convolutional neural networks for the prediction day mortality until the 14th day in patients with traumatic brain injury. The performance of neural networks is compared with the performance of other classic machine learning tools such as logistic regressor, multilayer perceptron, support vector machine, decision trees and random forest. In the simulation of models using neural networks, several optimization methods were used, such as RMSProp, Adam, Adamax and SGDM. The database used consists of 529 records and 16 predictor variables, and was obtained from Hospital das Clínicas (São Paulo, Brazil). Due to the presence of many missing values in the predictor variables, two procedures were proposed and evaluated for filling in the missing values, using several methods, such as decision tree, random forest, k-nearest neighbor and linear regression. The best results obtained for the prediction rate were an accuracy of 0.845 and an area under the ROC curve of 0.911
Keywords: Inteligência artificial - Aplicações médicas
???metadata.dc.subject.cnpq???: ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS
???metadata.dc.subject.user???: Traumatismo cranioencefálico
Aprendizagem de máquina
Redes neurais
Redes neurais convolucionais
Language: por
???metadata.dc.publisher.country???: Brasil
Publisher: Universidade Federal do Amazonas
???metadata.dc.publisher.initials???: UFAM
???metadata.dc.publisher.department???: Faculdade de Tecnologia
???metadata.dc.publisher.program???: Programa de Pós-graduação em Engenharia Elétrica
Citation: GUIMARÃES, Kellen Adriely Alvarenga. Predição de mortalidade de pacientes com traumatismo cranioencefálico no Brasil usando técnicas de aprendizagem de máquina. 2022. 89 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2022.
???metadata.dc.rights???: Acesso Aberto
???metadata.dc.rights.uri???: http://creativecommons.org/licenses/by/4.0/
URI: https://tede.ufam.edu.br/handle/tede/8759
Issue Date: 18-Mar-2022
Appears in Collections:Mestrado em Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
Dissertação_KellenGuimarães_PPGEE.pdf1.45 MBAdobe PDFThumbnail

Download/Open Preview


This item is licensed under a Creative Commons License Creative Commons