Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna

Detalhes bibliográficos
Autor(a) principal: Souza Neto, Luiz Alves de, 1986-
Data de Publicação: 2022
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/6020
Resumo: Orientador: Cristiano Torezzan
id UNICAMP-30_9c1687561f789700e9428959ad5642b1
oai_identifier_str oai::1253380
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde maternaMathematical models and computational algorithms for riskSaúde maternaAprendizado de máquinaPredição de riscoModelos matemáticosAlgoritmos computacionaisMaternal healthMachine learningRisk predictionComputer algorithmsMathematical modelsOrientador: Cristiano TorezzanTese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação CientíficaResumo: A elevada demanda por diagnósticos cada vez mais complexos na área médica tem motivado pesquisas em diversos ramos científicos, em particular, na área de modelagem matemática e computacional. Trabalhos recentes têm mostrado que tais métodos podem atingir precisão compatível e até superar especialistas em tarefas de diagnóstico médico. No entanto, mesmo com resultados empíricos promissores, tais soluções ainda enfrentam barreiras para serem utilizadas na prática. Parte desse impasse pode ser explicado pela dificuldade de interpretar resultados obtidos com algoritmos que, em geral, são projetados para realizar tarefas de classificação supervisionada. Além disso, tais soluções não incorporam de maneira adequada informações advindas de calculadoras, ou scores de risco que são comumente utilizadas na prática. Visando contribuir cientificamente nessa problemática, a presente tese de doutorado apresenta duas principais contribuições originais no âmbito metodológico: a primeira, é um método denominado Clinical Probability Outcome – C3PO, que permite a combinação de calculadoras de risco e modelos baseados em apoio à decisão multicritério, com diferentes algoritmos de aprendizado de máquina, cuja resposta final é convertida na forma de probabilidades. Uma segunda contribuição da tese é um Modelo Multilinear por Coalizões Multiplicativas que permite a obtenção de indicadores de risco por meio de atribuição de pesos para cada variável e para todas as coalizões par-a-par. Tal modelo é inspirado na Integral de Choquet, mas possui características mais gerais, que permitem melhor adequação para aplicações em diagnóstico médico. Adicionalmente, a tese também contempla dois estudos empíricos, baseados em dados reais anonimizados, relativos à predição de necessidade de leitos de UTI para pacientes gestantes e predição de diagnóstico de COVID-19 com base em sintomas. Tais estudos servem como validação dos métodos propostos e, também, como investigações paralelas sobre a viabilidade de aplicação de métodos de aprendizado de máquina para predições em saúde da mulher. Diversos métodos clássicos, como Florestas Aleatórias, XGboost, GBM, Redes Neurais Profundas, SVM, Regressão Logística, Naive Bayes, KNN foram utilizados, tanto individualmente quanto em comitês de máquinas. Os resultados atestam a viabilidade da proposta, com acurácias acima de 93% nas predições. Além disso, como os resultados são apresentados na forma de probabilidades, os limiares de decisão podem ser ajustados pelo médico, em função do nível de sensibilidade ou especificidade desejado em cada aplicação. Finalmente, estudos adicionais podem ter amparo nos resultados desta tese, tanto no âmbito da aplicação do C3PO para diagnósticos variados, quando na possibilidade de aprimoramentos metodológicos, como o uso de regularização no Modelo Multilinear por Coalizões Multiplicativas visando reduzir o número de pesos necessários para o modeloAbstract: The increase demand for complex diagnoses in the medical field has motivated research in several scientific fields, in particular, in mathematical and computational modeling. Recent work has shown that such methods can achieve comparable accuracy and even outperform specialists in medical diagnostic tasks. However, even with promising empirical results, such solutions still face barriers to be used in practice. Part of this impasse can be explained by the difficulty of interpreting results obtained with algorithms that, in general, are designed to perform supervised classification tasks. In addition, such solutions may not adequately incorporate information from risk calculators that are commonly used in practice. Aiming to contribute scientifically to this problem, the present doctoral thesis presents two main original contributions in the methodological scope: the first, is a method called Clinical Probability Outcome - C3PO, which allows the combination of risk calculators and models based on multi-criteria decision support, with different machine learning algorithms, such that the final answer is converted in terms of probabilities. A second contribution of the thesis is a Multilinear Model by Multiplicative Coalitions that allows obtaining risk indicators by assigning weights to each variable and to all pairwise coalitions. This model is inspired by the Choquet Integral, but it has more general characteristics, which allow better adaptation for applications in medical diagnosis. Additionally, the thesis also contemplates two empirical studies, based on anonymized real data, related to the prediction of the need for ICU beds for pregnant patients and the prediction of diagnosis of COVID-19 based on symptoms. Such studies serve as a validation of the proposed methods and as parallel investigations on the feasibility of applying machine learning methods for predictions in women’s health. Several classic methods such as Random Forests, XGboost, GBM, Deep Neural Networks, SVM, Logistic Regression, Naive Bayes, KNN were used, both individually and in machine committees. The results attest to the feasibility of the proposal, with accuracies above 93% in the predictions. Furthermore, as the results are presented in the form of probabilities, the decision thresholds can be adjusted by the physician, depending on the level of sensitivity or specificity desired in each application. Finally, additional studies may be supported by the results of this thesis, both in the scope of the application of C3PO for different diagnoses, and in the possibility of methodological improvements, such as the use of regularization in the Multilinear Model by Multiplicative Coalitions to reduce the number of weights necessary for the modelDoutoradoMatemática AplicadaDoutor em Matemática Aplicada[s.n.]Torezzan, Cristiano, 1976-Pacagnella, Rodolfo de CarvalhoSilva, Ana Estela Antunes daBartmeyer, Petra MariaTakahata, André KazuoUniversidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação CientíficaPrograma de Pós-Graduação em Matemática AplicadaUNIVERSIDADE ESTADUAL DE CAMPINASSouza Neto, Luiz Alves de, 1986-20222022-07-26T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (121 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/6020SOUZA NETO, Luiz Alves de. Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna. 2022. 1 recurso online (121 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/6020. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1253380Requisitos 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/openAccess2022-10-10T13:53:27Zoai::1253380Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-10-10T13:53:27Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna
Mathematical models and computational algorithms for risk
title Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna
spellingShingle Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna
Souza Neto, Luiz Alves de, 1986-
Saúde materna
Aprendizado de máquina
Predição de risco
Modelos matemáticos
Algoritmos computacionais
Maternal health
Machine learning
Risk prediction
Computer algorithms
Mathematical models
title_short Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna
title_full Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna
title_fullStr Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna
title_full_unstemmed Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna
title_sort Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna
author Souza Neto, Luiz Alves de, 1986-
author_facet Souza Neto, Luiz Alves de, 1986-
author_role author
dc.contributor.none.fl_str_mv Torezzan, Cristiano, 1976-
Pacagnella, Rodolfo de Carvalho
Silva, Ana Estela Antunes da
Bartmeyer, Petra Maria
Takahata, André Kazuo
Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica
Programa de Pós-Graduação em Matemática Aplicada
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Souza Neto, Luiz Alves de, 1986-
dc.subject.por.fl_str_mv Saúde materna
Aprendizado de máquina
Predição de risco
Modelos matemáticos
Algoritmos computacionais
Maternal health
Machine learning
Risk prediction
Computer algorithms
Mathematical models
topic Saúde materna
Aprendizado de máquina
Predição de risco
Modelos matemáticos
Algoritmos computacionais
Maternal health
Machine learning
Risk prediction
Computer algorithms
Mathematical models
description Orientador: Cristiano Torezzan
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-07-26T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/6020
SOUZA NETO, Luiz Alves de. Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna. 2022. 1 recurso online (121 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/6020. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/6020
identifier_str_mv SOUZA NETO, Luiz Alves de. Modelos matemáticos e algoritmos computacionais para a predição de risco em saúde materna. 2022. 1 recurso online (121 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/6020. 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/1253380
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 (121 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_ 1809189184690192384

Registros relacionados