Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/57467 |
Resumo: | O traumatismo cranioencefálico (TCE) tem sido reconhecido como uma das principais causas de morbimortalidade em todo o mundo, sendo considerado uma epidemia silenciosa. Considera-se uma variedade de causas de TCE, tais como quedas, acidentes automobilísticos, assaltos e agressões. Apesar de intensos investimentos, ainda não possui um tratamento aprovado para mitigar os danos provocados por lesões secundárias de TCE, sendo a prevenção o melhor tratamento atualmente. Com o avanço tecnológico, técnicas de machine learning (ML) têm sido utilizadas na área da saúde para predições de desfecho e auxílio em tomadas de decisões terapêuticas, por exemplo, risco de mortalidade em vítimas de TCE. Contudo, na mesma medida em que há significativo desenvolvimento de técnicas de ML para este fim, não há consenso sobre quais estratégias apresentam melhor desempenho para prever a mortalidade. A partir do exposto, o objetivo do presente trabalho foi realizar uma revisão sistemática acerca das produções científicas que utilizam técnicas de machine learning para predição de mortalidade decorrentes de TCE. Para este fim, a pergunta de pesquisa foi formulada a partir da estratégia PICO (Pessoa, Intervenção, Comparação, Outcome), tendo como critérios de inclusão artigos científicos publicados em revistas indexadas na Biblioteca Virtual em Saúde (BVS) e na National Library of Medicine (PubMed), escritos em inglês, português e espanhol, que tivessem mortalidade como um dos desfechos do estudo. Foram excluídos estudos com modelos animais, com foco em análises moleculares e artigos que não foram encontrados para leitura na íntegra. A coleta de dados ocorreu em abril de 2022, por dois pesquisadores independentes e, para as análises, foi construído um protocolo específico para este estudo. Dos 1181 estudos encontrados, 26 atenderam aos critérios de elegibilidade e foram incluídos para análise nesta revisão. O maior número de publicações se deu entre os países dos Tigres Asiáticos (n=7, 26,9%), com estudos retrospectivos (n=16, 61,5%) e amostra de adultos (n=19, 73,1%). A média geral de idade foi de 47,8 anos, apresentando predominância do sexo masculino entre as vítimas de TCE e as principais causas foram acidente de trânsito, queda e objeto atingindo a cabeça. As principais variáveis que predisseram mortalidade foram idade e resposta pupilar (n=10, 9,4%) e baixos escores na escala de coma de Glasgow (n=9, 8,5%). Foram encontrados 59 algoritmos de machine learning, sendo os que apresentaram melhor desempenho Artificial Neural Networks, Support Vector Machine, e Random Forest, especialmente se comparados com o algoritmo tradicional de regressão logística. A partir dos resultados obtidos, pode-se concluir, preliminarmente, que as estratégias de ML são uma ferramenta útil e eficaz para predição de mortalidade em TCE, favorecendo a tomada de decisão clínica. Como perspectiva deste estudo, propõe-se a avaliação de risco de viés, atualização da busca, incluindo o descritor inteligência artificial e realização de meta-análise, segundo permitam os dados. |
id |
UFMG_5cecaa60be1c34ebce1212a30bf35d37 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/57467 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Aline Silva de Mirandahttp://lattes.cnpq.br/4102666350497478Rafael Alves Bonfim de QueirozVictor Rodrigues SantosFernanda Carolina Camargohttp://lattes.cnpq.br/4310623658546021Arthur Afonso Silva-Sousa2023-08-04T15:55:58Z2023-08-04T15:55:58Z2023-05-16http://hdl.handle.net/1843/57467O traumatismo cranioencefálico (TCE) tem sido reconhecido como uma das principais causas de morbimortalidade em todo o mundo, sendo considerado uma epidemia silenciosa. Considera-se uma variedade de causas de TCE, tais como quedas, acidentes automobilísticos, assaltos e agressões. Apesar de intensos investimentos, ainda não possui um tratamento aprovado para mitigar os danos provocados por lesões secundárias de TCE, sendo a prevenção o melhor tratamento atualmente. Com o avanço tecnológico, técnicas de machine learning (ML) têm sido utilizadas na área da saúde para predições de desfecho e auxílio em tomadas de decisões terapêuticas, por exemplo, risco de mortalidade em vítimas de TCE. Contudo, na mesma medida em que há significativo desenvolvimento de técnicas de ML para este fim, não há consenso sobre quais estratégias apresentam melhor desempenho para prever a mortalidade. A partir do exposto, o objetivo do presente trabalho foi realizar uma revisão sistemática acerca das produções científicas que utilizam técnicas de machine learning para predição de mortalidade decorrentes de TCE. Para este fim, a pergunta de pesquisa foi formulada a partir da estratégia PICO (Pessoa, Intervenção, Comparação, Outcome), tendo como critérios de inclusão artigos científicos publicados em revistas indexadas na Biblioteca Virtual em Saúde (BVS) e na National Library of Medicine (PubMed), escritos em inglês, português e espanhol, que tivessem mortalidade como um dos desfechos do estudo. Foram excluídos estudos com modelos animais, com foco em análises moleculares e artigos que não foram encontrados para leitura na íntegra. A coleta de dados ocorreu em abril de 2022, por dois pesquisadores independentes e, para as análises, foi construído um protocolo específico para este estudo. Dos 1181 estudos encontrados, 26 atenderam aos critérios de elegibilidade e foram incluídos para análise nesta revisão. O maior número de publicações se deu entre os países dos Tigres Asiáticos (n=7, 26,9%), com estudos retrospectivos (n=16, 61,5%) e amostra de adultos (n=19, 73,1%). A média geral de idade foi de 47,8 anos, apresentando predominância do sexo masculino entre as vítimas de TCE e as principais causas foram acidente de trânsito, queda e objeto atingindo a cabeça. As principais variáveis que predisseram mortalidade foram idade e resposta pupilar (n=10, 9,4%) e baixos escores na escala de coma de Glasgow (n=9, 8,5%). Foram encontrados 59 algoritmos de machine learning, sendo os que apresentaram melhor desempenho Artificial Neural Networks, Support Vector Machine, e Random Forest, especialmente se comparados com o algoritmo tradicional de regressão logística. A partir dos resultados obtidos, pode-se concluir, preliminarmente, que as estratégias de ML são uma ferramenta útil e eficaz para predição de mortalidade em TCE, favorecendo a tomada de decisão clínica. Como perspectiva deste estudo, propõe-se a avaliação de risco de viés, atualização da busca, incluindo o descritor inteligência artificial e realização de meta-análise, segundo permitam os dados.Traumatic brain injury (TBI) has been recognized as one of the main causes of morbidity and mortality worldwide, being considered a silent epidemic. A variety of causes of TBI are considered, such as falls, car accidents, robberies and assaults. Despite intense investments, there is not still an approved treatment to mitigate the damage caused by secondary TBI injuries, and prevention is currently the best treatment. With technological advances, machine learning (ML) techniques have been used in the health field to predict outcomes and aid in therapeutic decision-making, for example, mortality risk in TBI victims. However, to the same extent that there is a significant development of ML techniques for this purpose, there is no consensus on which strategies have the best performance in predicting mortality. Based on the above, the objective of this study was to carry out a systematic review of scientific productions that use machine learning techniques to predict mortality due to TBI. To this end, the research question was formulated from the PICO strategy (Person, Intervention, Comparison, Outcome), having as inclusion criteria scientific articles published in journals indexed in the Virtual Health Library (BVS) and the National Library of Medicine (PubMed), written in English, Portuguese and Spanish, that had mortality as one of the study outcomes. Studies with animal models, focusing on molecular analyzes and articles that were not found for reading in full were excluded. Data collection took place in April 2022, by two independent researchers and, for the analyses, a specific protocol was constructed. Of the 1181 studies found, 26 met the eligibility criteria and were included for analysis in this review. The largest number of publications occurred among the Four Asian Tiger countries (n=7, 26.9%), with retrospective studies (n=16, 61.5%) and adult sample (n=19, 73.1% ). The overall mean age was of 47.8, with a predominance of males among TBI victims and the main causes were traffic accidents, falls and objects hitting the head. The main variables that predicted mortality were age and pupillary response (n=10, 9.4%) and low scores on the Glasgow Coma Scale (n=9, 8.5%). Fifty-nine machine learning algorithms were found, with the best performance being Artificial Neural Networks, Support Vector Machine, and Random Forest, especially when compared to the traditional logistic regression algorithm. Based on the results obtained, it can be preliminarily concluded that LM strategies are a useful and effective tool for predicting mortality in TBI, favoring clinical decision-making. As a perspective of this study, it is proposed to assess the risk of bias, update the search, including the artificial intelligence descriptor and perform a meta-analysis, as the data allow.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em NeurociênciasUFMGBrasilICB - DEPARTAMENTO DE MORFOLOGIAhttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/info:eu-repo/semantics/openAccessNeurociênciasTraumatismos CraniocerebraisMortalidadeAprendizado de MáquinaRevisão SistemáticaTraumatismo cranioencefálicoMortalidadeMachine learningRevisão sistemáticaEstratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literaturaMachine learning strategies for predicting mortality in traumatic brain injury: a systematic review of the literatureinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALDissertação Arthur Afonso Silva-Sousa.pdfDissertação Arthur Afonso Silva-Sousa.pdfapplication/pdf736203https://repositorio.ufmg.br/bitstream/1843/57467/1/Disserta%c3%a7%c3%a3o%20Arthur%20Afonso%20Silva-Sousa.pdf43134b0cd7684413b1854a6c232c103cMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufmg.br/bitstream/1843/57467/2/license_rdfcfd6801dba008cb6adbd9838b81582abMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/57467/3/license.txtcda590c95a0b51b4d15f60c9642ca272MD531843/574672023-08-04 12:55:58.403oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-08-04T15:55:58Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura |
dc.title.alternative.pt_BR.fl_str_mv |
Machine learning strategies for predicting mortality in traumatic brain injury: a systematic review of the literature |
title |
Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura |
spellingShingle |
Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura Arthur Afonso Silva-Sousa Traumatismo cranioencefálico Mortalidade Machine learning Revisão sistemática Neurociências Traumatismos Craniocerebrais Mortalidade Aprendizado de Máquina Revisão Sistemática |
title_short |
Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura |
title_full |
Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura |
title_fullStr |
Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura |
title_full_unstemmed |
Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura |
title_sort |
Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura |
author |
Arthur Afonso Silva-Sousa |
author_facet |
Arthur Afonso Silva-Sousa |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Aline Silva de Miranda |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/4102666350497478 |
dc.contributor.advisor-co1.fl_str_mv |
Rafael Alves Bonfim de Queiroz |
dc.contributor.referee1.fl_str_mv |
Victor Rodrigues Santos |
dc.contributor.referee2.fl_str_mv |
Fernanda Carolina Camargo |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/4310623658546021 |
dc.contributor.author.fl_str_mv |
Arthur Afonso Silva-Sousa |
contributor_str_mv |
Aline Silva de Miranda Rafael Alves Bonfim de Queiroz Victor Rodrigues Santos Fernanda Carolina Camargo |
dc.subject.por.fl_str_mv |
Traumatismo cranioencefálico Mortalidade Machine learning Revisão sistemática |
topic |
Traumatismo cranioencefálico Mortalidade Machine learning Revisão sistemática Neurociências Traumatismos Craniocerebrais Mortalidade Aprendizado de Máquina Revisão Sistemática |
dc.subject.other.pt_BR.fl_str_mv |
Neurociências Traumatismos Craniocerebrais Mortalidade Aprendizado de Máquina Revisão Sistemática |
description |
O traumatismo cranioencefálico (TCE) tem sido reconhecido como uma das principais causas de morbimortalidade em todo o mundo, sendo considerado uma epidemia silenciosa. Considera-se uma variedade de causas de TCE, tais como quedas, acidentes automobilísticos, assaltos e agressões. Apesar de intensos investimentos, ainda não possui um tratamento aprovado para mitigar os danos provocados por lesões secundárias de TCE, sendo a prevenção o melhor tratamento atualmente. Com o avanço tecnológico, técnicas de machine learning (ML) têm sido utilizadas na área da saúde para predições de desfecho e auxílio em tomadas de decisões terapêuticas, por exemplo, risco de mortalidade em vítimas de TCE. Contudo, na mesma medida em que há significativo desenvolvimento de técnicas de ML para este fim, não há consenso sobre quais estratégias apresentam melhor desempenho para prever a mortalidade. A partir do exposto, o objetivo do presente trabalho foi realizar uma revisão sistemática acerca das produções científicas que utilizam técnicas de machine learning para predição de mortalidade decorrentes de TCE. Para este fim, a pergunta de pesquisa foi formulada a partir da estratégia PICO (Pessoa, Intervenção, Comparação, Outcome), tendo como critérios de inclusão artigos científicos publicados em revistas indexadas na Biblioteca Virtual em Saúde (BVS) e na National Library of Medicine (PubMed), escritos em inglês, português e espanhol, que tivessem mortalidade como um dos desfechos do estudo. Foram excluídos estudos com modelos animais, com foco em análises moleculares e artigos que não foram encontrados para leitura na íntegra. A coleta de dados ocorreu em abril de 2022, por dois pesquisadores independentes e, para as análises, foi construído um protocolo específico para este estudo. Dos 1181 estudos encontrados, 26 atenderam aos critérios de elegibilidade e foram incluídos para análise nesta revisão. O maior número de publicações se deu entre os países dos Tigres Asiáticos (n=7, 26,9%), com estudos retrospectivos (n=16, 61,5%) e amostra de adultos (n=19, 73,1%). A média geral de idade foi de 47,8 anos, apresentando predominância do sexo masculino entre as vítimas de TCE e as principais causas foram acidente de trânsito, queda e objeto atingindo a cabeça. As principais variáveis que predisseram mortalidade foram idade e resposta pupilar (n=10, 9,4%) e baixos escores na escala de coma de Glasgow (n=9, 8,5%). Foram encontrados 59 algoritmos de machine learning, sendo os que apresentaram melhor desempenho Artificial Neural Networks, Support Vector Machine, e Random Forest, especialmente se comparados com o algoritmo tradicional de regressão logística. A partir dos resultados obtidos, pode-se concluir, preliminarmente, que as estratégias de ML são uma ferramenta útil e eficaz para predição de mortalidade em TCE, favorecendo a tomada de decisão clínica. Como perspectiva deste estudo, propõe-se a avaliação de risco de viés, atualização da busca, incluindo o descritor inteligência artificial e realização de meta-análise, segundo permitam os dados. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-08-04T15:55:58Z |
dc.date.available.fl_str_mv |
2023-08-04T15:55:58Z |
dc.date.issued.fl_str_mv |
2023-05-16 |
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 |
http://hdl.handle.net/1843/57467 |
url |
http://hdl.handle.net/1843/57467 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Neurociências |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ICB - DEPARTAMENTO DE MORFOLOGIA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/57467/1/Disserta%c3%a7%c3%a3o%20Arthur%20Afonso%20Silva-Sousa.pdf https://repositorio.ufmg.br/bitstream/1843/57467/2/license_rdf https://repositorio.ufmg.br/bitstream/1843/57467/3/license.txt |
bitstream.checksum.fl_str_mv |
43134b0cd7684413b1854a6c232c103c cfd6801dba008cb6adbd9838b81582ab cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589286701826048 |