Mostrar el registro sencillo del ítem

dc.contributor.advisorCorso, Leandro Luís
dc.contributor.authorTomé, Fernanda
dc.contributor.otherCosta, Sergio Hofmeister de Almeida Martins
dc.contributor.otherLins, Rodrigo Schrage
dc.contributor.otherSelistre, Luciano da Silva
dc.date.accessioned2023-11-16T13:27:06Z
dc.date.available2023-11-16T13:27:06Z
dc.date.issued2023-11-15
dc.date.submitted2023-07-26
dc.identifier.urihttps://repositorio.ucs.br/11338/12784
dc.descriptionIntrodução: 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]pt_BR
dc.description.abstractBackground: Fetal acidemia, characterized by an umbilical artery pH lower than 7.1, is the main cause of intrapartum asphyxia. The umbilical artery pH indicates comorbidities during the delivery as well as in the child's development. There is a need for non-invasive methods to access this parameter to help with decision-making. Objective: To compare machine learning models to predict fetal acidemia in a university hospital in southern Brazil. Study design: The study reviewed records from 567 patients with single pregnancies who gave birth in the Hospital Geral de Caxias do Sul between 2011 and 2016. Statistical analysis was performed, and the following machine learning algorithms were developed using Python: Extra Trees Classifier, Random Forest Classifier, Support Vector Machine, Nonlinear Support Vector Machine with RBF Kernel, Artificial Neural Networks, Gradient Boosting Machine, and Logistic Regression. We also used the GridSearchCV function to find the best parameters of each model for optimization. Results: Group I presents 397 newborns with an umbilical artery pH higher than 7.1 while Group II contains 170 newborns with an umbilical artery pH lower than 7.1. The statistical analysis indicated a significant difference between Group I and Group II in the following variables: parity, previous stillbirth, gestational age, diabetes, fetal presentation, type of delivery, and Apgar in the first and fifth minute. The model with the highest AUROC after optimization was Artificial Neural Networks (0.82), followed by the 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). The Artificial Neural Networks and Logistic Regression models had outstanding precision (0.78 vs 0.79), recall (0.95 vs 0.95), F1-score (0.86 vs 0.87), and accuracy (0.79 vs 0.80). Conclusion: Machine learning models can be used to assist healthcare professionals in decision-making. Among the algorithms proposed, the Artificial Neural Networks and Logistic Regression presented the best performance in identifying both groups to predict fetal acidemia; Even though those models have the best accuracy, we recommend using Logistic Regression because it requires less computational capability. This study represents a non-invasive method to identify the umbilical artery pH. [resumo fornecido pelo autor]en
dc.language.isoenpt_BR
dc.language.isoptpt_BR
dc.subjectRecém-nascidos - Doençaspt_BR
dc.subjectCordão umbilicalpt_BR
dc.subjectAsfixiapt_BR
dc.subjectNewborn infants - Diseasesen
dc.subjectUmbilical corden
dc.subjectAsphyxiaen
dc.titleComparação de métodos de aprendizado de máquina na predição de acidemia fetalpt_BR
dc.typeDissertaçãopt_BR
mtd2-br.advisor.instituationUniversidade de Caxias do Sulpt_BR
mtd2-br.advisor.latteshttps://lattes.cnpq.br/8825556868943661pt_BR
mtd2-br.author.lattesFernanda Tomépt_BR
mtd2-br.program.nameMestrado Acadêmico em Ciências da Saúdept_BR
mtd2-br.contributor.coorientadorMadi, José Mauro
mtd2-br.campusCampus Universitário de Caxias do Sulpt_BR


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem