Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados

Detalhes bibliográficos
Autor(a) principal: Azevedo, Flávia Érika Almeida Giló, 1984-
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1639653
Resumo: Orientadores: André Santanchè, Kleber Yotsumoto Fertrin
id UNICAMP-30_618ca0c045e06ecf4a4b2158dd5e8c8a
oai_identifier_str oai::1149200
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internadosAn interpretable machine learning approach for retrospective evaluation of inpatient blood loss due to phlebotomy protocolsAprendizado de máquinaFlebotomiaAnemia ferroprivaTempo de internaçãoMachine learningPhlebotomyIron deficiency anemiaLength of stayOrientadores: André Santanchè, Kleber Yotsumoto FertrinDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de ComputaçãoResumo: Em Medicina, o procedimento de retirada de sangue de um paciente para realização de exames laboratoriais é denominado flebotomia. Pacientes internados são submetidos a protocolos de flebotomia que incluem solicitações sucessivas de exames, a taxas que podem chegar a coletas diárias, com o objetivo de diagnosticar ou acompanhar a evolução de seus quadros clínicos. No entanto, coletas frequentes expõem o paciente a uma perda elevada de sangue em um intervalo curto de tempo, podendo desencadear problemas para a sua saúde, uma vez que o tempo entre as coletas pode ser insuficiente para a reposição adequada dos componentes sanguíneos perdidos. Com o objetivo de avaliar a hipótese da perda sanguínea por flebotomia ser um fator relevante para o desenvolvimento ou agravamento de quadros de anemia e para o aumento do tempo de internação, a presente pesquisa conduziu análises dirigidas por dados retrospectivos clínicos, laboratoriais e demográficos de 28.312 internações que ocorreram no Hospital de Clínicas da Unicamp (HC/Unicamp) entre os anos 2012 e 2016. Em uma fase inicial, foram conduzidas investigações exploratórias para capturar as principais características inerentes ao conjunto de dados. Em seguida, uma abordagem interpretável de Aprendizado de Máquina (AM) foi desenvolvida, utilizando as técnicas baseadas em Árvores de Decisão Gradient Boosting Machines e Random Forests, para resolução de tarefas de regressão, classificação binária e classificação multiclasse. Para que as soluções computacionais produzidas oferecessem grau de interpretabilidade conveniente para uso no cenário médico-hospitalar, utilizou-se métodos para extrair interpretabilidade dos modelos de AM, a fim de expressar a relação entre as diferentes variáveis utilizadas, bem como elencar o grau de contribuição das mesmas para os resultados dos modelos. Os resultados sugerem uma relação entre a quantidade das coletas de sangue realizadas durante a internação e o tempo de internação, bem como o decaimento dos níveis de hemoglobina no sangue dos pacientes, fator diretamente relacionado ao desenvolvimento de anemia. O estudo conduzido com dados inéditos, até onde se sabe, é o primeiro a investigar, conjuntamente, as relações entre flebotomia, anemia e tempo de internação utilizando AM. Além disso, aprofunda o conhecimento existente do problema ao expandir investigações correlatas encontradas na literatura, uma vez que leva em consideração variáveis adjacentes à possibilidade de desenvolvimento de anemia no curso da internação, como transfusões de sangue e cirurgias realizadas. Também, oferece ao HC/Unicamp subsídios para avaliação dos seus processos relativos à flebotomia e embasamentos para tomada de decisãoAbstract: In medicine, the procedure of drawing blood from a patient for laboratory tests is called phlebotomy. Inpatients are submitted to phlebotomy protocols that include successive requests for tests, at rates that can reach daily extractions, in order to diagnose or monitor the evolution of their clinical conditions. However, frequent extractions expose the patient to high blood loss in a short period of time, which can trigger health problems, since the time between extractions can be insufficient for the adequate replacement of lost blood components. In order to evaluate the hypothesis of phlebotomy blood loss to be a relevant factor for the development or worsening of anemia and for an increase in hospital length of stay, this research conducted analyzes guided by retrospective clinical, laboratory and demographic data of 28,312 hospitalizations that occurred in the Hospital of Clinics at Unicamp (HC/Unicamp) between the years 2012 and 2016. In an initial phase, exploratory investigations were conducted in order to capture the main characteristics inherent to the dataset. Then, an interpretable Machine Learning (ML) approach was developed, using the Decision Tree-based techniques Gradient Boosting Machines and Random Forests for regression, binary classification and multiclass classification tasks. In order for the computational solutions produced to offer a degree of interpretability that is convenient for use in the medical-hospital setting, methods to extract interpretability of ML models were used to express the relationship between the different variables used, as well as listing the degree of their contributions to the models outputs. The results suggest a relationship between the amount of blood samples taken during hospitalization and length of stay, as well as the decrease in patients hemoglobin levels, a factor directly related to the development of anemia. The study conducted with unpublished data, to the best of our knowledge, is the first to jointly investigate relationships between phlebotomy, anemia and length of stay using ML. In addition, it deepens on existing knowledge about the problem and expands the correlated literature, since it takes into account the variables adjacent to the possibility of developing anemia in the course of hospitalization, such as blood transfusions and surgeries performed. It also offers HC/Unicamp subsidies for evaluating its phlebotomy processes and grounds for decision makingMestradoCiência da ComputaçãoMestra em Ciência da ComputaçãoCAPES001[s.n.]Santanchè, André, 1968-Fertrin, Kleber Yotsumoto, 1980-Pedrini, HélioGaloro, César Alex de OliveiraUniversidade Estadual de Campinas (UNICAMP). Instituto de ComputaçãoPrograma de Pós-Graduação em Ciência da ComputaçãoUNIVERSIDADE ESTADUAL DE CAMPINASAzevedo, Flávia Érika Almeida Giló, 1984-20202020-08-12T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (122 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1639653AZEVEDO, Flávia Érika Almeida Giló. Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados. 2020. 1 recurso online (122 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639653. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1149200Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2020-09-17T06:51:02Zoai::1149200Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2020-09-17T06:51:02Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados
An interpretable machine learning approach for retrospective evaluation of inpatient blood loss due to phlebotomy protocols
title Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados
spellingShingle Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados
Azevedo, Flávia Érika Almeida Giló, 1984-
Aprendizado de máquina
Flebotomia
Anemia ferropriva
Tempo de internação
Machine learning
Phlebotomy
Iron deficiency anemia
Length of stay
title_short Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados
title_full Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados
title_fullStr Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados
title_full_unstemmed Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados
title_sort Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados
author Azevedo, Flávia Érika Almeida Giló, 1984-
author_facet Azevedo, Flávia Érika Almeida Giló, 1984-
author_role author
dc.contributor.none.fl_str_mv Santanchè, André, 1968-
Fertrin, Kleber Yotsumoto, 1980-
Pedrini, Hélio
Galoro, César Alex de Oliveira
Universidade Estadual de Campinas (UNICAMP). Instituto de Computação
Programa de Pós-Graduação em Ciência da Computação
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Azevedo, Flávia Érika Almeida Giló, 1984-
dc.subject.por.fl_str_mv Aprendizado de máquina
Flebotomia
Anemia ferropriva
Tempo de internação
Machine learning
Phlebotomy
Iron deficiency anemia
Length of stay
topic Aprendizado de máquina
Flebotomia
Anemia ferropriva
Tempo de internação
Machine learning
Phlebotomy
Iron deficiency anemia
Length of stay
description Orientadores: André Santanchè, Kleber Yotsumoto Fertrin
publishDate 2020
dc.date.none.fl_str_mv 2020
2020-08-12T00:00:00Z
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/20.500.12733/1639653
AZEVEDO, Flávia Érika Almeida Giló. Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados. 2020. 1 recurso online (122 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639653. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1639653
identifier_str_mv AZEVEDO, Flávia Érika Almeida Giló. Uma abordagem interpretável de aprendizado de máquina para avaliação retrospectiva do impacto da perda de sangue derivada de flebotomia em pacientes internados. 2020. 1 recurso online (122 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639653. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1149200
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (122 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189164935020544

Registros relacionados