Predictive analytics na infeção hospitalar

Detalhes bibliográficos
Autor(a) principal: Sousa, António Manuel Cardoso de
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

Registros relacionados