Predictive analytics na infeção hospitalar
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | https://hdl.handle.net/1822/81411 |
Resumo: | Dissertação de mestrado integrado em Engenharia e Gestão de Sistemas de Informação |
id |
RCAP_2e660496eca3636e57bd993e4a69789b |
---|---|
oai_identifier_str |
oai:repositorium.sdum.uminho.pt:1822/81411 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Predictive analytics na infeção hospitalarData MiningInfeção nosocomialMachine LearningPredictive analyticsNosocomial infectionEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado integrado em Engenharia e Gestão de Sistemas de InformaçãoAs infeções nosocomiais e a resistência antimicrobiana provocam um elevado número de morbidade e mortalidade nos pacientes hospitalizados. A Comissão de Controlo de Infeção (CCI) define medidas para combater a propagação de infeção nosocomial para outros doentes. No entanto, o controlo de infeção é ineficaz, uma vez que a sua deteção é feita de forma manual e por vezes tardia. A utilização de Predictive Analytics surge como uma possível solução para este problema, dado que permite a previsão automática e atempada de infeção, melhorando o tempo de resposta, e consequentemente, o controlo de infeção hospitalar. Nesta dissertação o principal objetivo passou por desenvolver modelos preditivos com boa capacidade de previsão de infeção nosocomial, a partir de técnicas de Data Mining (DM) e Machine Learning (ML). O desenvolvimento dos modelos de previsão foi realizado em contexto local e offline, e com dados reais provenientes do Hospital da Senhora da Oliveira de Guimarães. Deste modo, foram adotadas as metodologias Design Science Research Methodology (DSRM) e Cross-Industry Standard Process for Data Mining (CRISP-DM). O DSRM foi aplicado na investigação deste projeto de dissertação e o CRISP-DM foi usado para a aplicação de técnicas de DM. A abordagem de DM aplicada foi a Classificação e para que os modelos de DM pudessem ser criados, foram selecionadas seis técnicas baseadas em Árvores de Decisão (AD), Random Forest (RF), Redes Neuronais (RN), Naive Bayes (NB), Support Vector Machine (SVM) e Regressão Logística (RL). A avaliação dos modelos foi efetuada a partir da Matriz de Confusão, que permitiu a definição de sete métricas, Acuidade, Sensibilidade, Especificidade, Precisão, F1-Score, Índice Kappa e Curva AUC. Destas sete, a Acuidade e Sensibilidade, foram selecionadas como as mais importantes na decisão do melhor modelo. Os modelos de previsão concebidos apresentam uma grande capacidade de previsão de infeção nosocomial, com valores de Acuidade entre 71.56% a 99.37% e valores de Sensibilidade superiores a 90%. Os resultados obtidos são positivos e podem ajudar os profissionais de saúde na tomada de decisão ao nível da gestão e controlo de infeção nosocomial.Nosocomial infections and antimicrobial resistance cause a high number of morbidity and mortality in hospitalized patients. The Infection Control Commission (ICC) defines measures to combat the spread of nosocomial infection to other patients. However, the infection control is ineffective, since its detection is done manually and sometimes late. The use of Predictive Analytics is a possible solution to this problem, since it allows the automatic and timely prediction of infection, improving the response time, and consequently, the infection control of the hospital. The main objective of this dissertation was to develop predictive models with good predicitve ability for nosocomial infection, based on Data Mining (DM) and Machine Learning techniques. The development of the predictive models was performed in a local and offline context, and with real data from Hospital da Senhora da Oliveira in Guimarães. Thus, the Design Science Research Methodology (DSRM) and Cross Industry Standard Process for Data Mining (CRISP-DM) methodologies were adopted. The DSRM was applied in the research of this dissertation project and the CRISP-DM was used for the application of DM techniques. The DM approach applied was Classification and so that the DM models could be created, six techniques were selected based on Decision Trees (DT), Random Forest (RF), Neural Networks (NN), Naive Bayes (NB), Support Vector Machine (SVM) and Logistic Regression (LR). The evaluation of the modes was performed from the Confusion Matrix, which allowed the definition of seven metrics, Accuracy, Recall, Specificity, Precision, F1-Score, Kappa Statistic and AUC Curve. Of these seven, Accuracy and Recall were selected as the most importante in deciding the best model. The designed prediction models show a high predictive capacity for nocomial infection, with Accuracy values between 71.56% and 99.37%, and Recall values above 90%. The results obtained are positive and can help heath professionals in decision-making in nosocomial infection control and management.Santos, ManuelDuarte, Júlio Miguel MarquesUniversidade do MinhoSousa, António Manuel Cardoso de2022-06-092022-06-09T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/81411por203057074info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:42:53Zoai:repositorium.sdum.uminho.pt:1822/81411Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:40:14.435926Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Predictive analytics na infeção hospitalar |
title |
Predictive analytics na infeção hospitalar |
spellingShingle |
Predictive analytics na infeção hospitalar Sousa, António Manuel Cardoso de Data Mining Infeção nosocomial Machine Learning Predictive analytics Nosocomial infection Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Predictive analytics na infeção hospitalar |
title_full |
Predictive analytics na infeção hospitalar |
title_fullStr |
Predictive analytics na infeção hospitalar |
title_full_unstemmed |
Predictive analytics na infeção hospitalar |
title_sort |
Predictive analytics na infeção hospitalar |
author |
Sousa, António Manuel Cardoso de |
author_facet |
Sousa, António Manuel Cardoso de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Santos, Manuel Duarte, Júlio Miguel Marques Universidade do Minho |
dc.contributor.author.fl_str_mv |
Sousa, António Manuel Cardoso de |
dc.subject.por.fl_str_mv |
Data Mining Infeção nosocomial Machine Learning Predictive analytics Nosocomial infection Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Data Mining Infeção nosocomial Machine Learning Predictive analytics Nosocomial infection Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
Dissertação de mestrado integrado em Engenharia e Gestão de Sistemas de Informação |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-06-09 2022-06-09T00:00:00Z |
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.uri.fl_str_mv |
https://hdl.handle.net/1822/81411 |
url |
https://hdl.handle.net/1822/81411 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
203057074 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799132946367512576 |