@MASTERSTHESIS{ 2025:883930680,
 	title = {Avaliando a generalização de modelos de aprendizado de máquina para prever a mortalidade em 14 dias em pacientes com traumatismo cranioencefálico},
 	year = {2025},
 	url = "https://tede.ufam.edu.br/handle/tede/11408",
 	abstract = "O Traumatismo Cranioencefálico (TCE) continua sendo uma das principais causas de morbidade e mortalidade em todo o mundo, com disparidades significativas nos desfechos influenciadas pelo acesso e infraestrutura regionais de saúde. Este estudo avalia o desempenho e a generalização de modelos de aprendizado de máquina para prever a mortalidade em 14 dias em pacientes com TCE usando conjuntos de dados de duas regiões brasileiras distintas: São Paulo, um centro urbano, e Manaus, um centro urbano isolado com desafios logísticos únicos. Até onde sabemos, esta pesquisa representa a primeira validação cruzada de modelos preditivos em dois conjuntos de dados dentro do mesmo país, ressaltando a necessidade crítica de abordagens localizadas na pesquisa sobre TCE. Nossos resultados indicam que, embora os modelos baseados em redes neurais convolucionais (CNN) tenham alcançado alto desempenho, com uma área sob a curva (AUC) de 0,90 em São Paulo e 0,93 em Manaus, o melhor modelo de São Paulo exibiu uma AUC notavelmente baixa quando aplicado ao conjunto de dados de Manaus. A incorporação de características específicas do contexto, como variáveis ​​relacionadas à pandemia e o tempo entre o trauma e a admissão, aumentou significativamente a precisão do modelo, com o modelo de Manaus atingindo uma impressionante AUC de 0,98. Notavelmente, o estudo destaca as principais diferenças regionais nos preditores de mortalidade, com hipóxia e hipotensão sendo mais críticas em Manaus, enfatizando a importância de adaptar os modelos preditivos aos contextos locais. Nossos resultados indicam que os modelos baseados em CNN têm o potencial de aprimorar as previsões de mortalidade para pacientes com traumatismo cranioencefálico (TCE). Além disso, destacamos a necessidade de conduzir a validação transregional e integrar variáveis ​​locais para melhorar os desfechos dos pacientes em diferentes ambientes de saúde.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}