@PHDTHESIS{ 2026:658127244,
 	title = {Novo índice clínico-laboratorial para predição de deterioração em adultos hospitalizados com modelo híbrido de aprendizagem profunda},
 	year = {2026},
 	url = "http://bibliotecatede.uninove.br/handle/tede/3986",
 	abstract = "INTRODUÇÃO: A deterioração clínica de pacientes, que podem levar a riscos de mortalidade, em especial nas unidades de terapia intensiva, está relacionada a um processo dinâmico de agravamento fisiológico com progressão de disfunção orgânica o qual pode ser monitorado ao longo do tempo por grandezas, ou indicadores, que podem ser obtidos dos prontuários clínicos dos pacientes. A avaliação da deterioração consiste em uma tarefa onerosa dada o comportamento clínico complexo e variável de cada paciente. O crescente volume de dados clínicos nos Prontuários Eletrônicos dos Pacientes (PEP), se caracterizam como registros longitudinais de informações de saúde dos pacientes. Com estes dados são possíveis utilizar modelos de protocolos de deteriorações clínicas, que podem observar e acompanhar a evolução fisiológica em pacientes hospitalizados. Com uso do prontuário eletrônico do paciente, os registros eletrônicos, podem gerar insights e predições de eventos futuros. Este estudo, justifica-se pela necessidade de desenvolvimento de um novo índice fundamentado em inteligência artificial híbrida, capaz de processar dados clínicos heterogêneos temporais de registros eletrônicos de saúde. OBJETIVO: Desenvolver e testar um índice composto por dados clínicos e de laboratório para a predição de deterioração em pacientes adultos hospitalizados com o uso de algoritmos de aprendizagem de máquina. MÉTODO: O estudo é de natureza tecnológica experimental exploratório. Para a condução dos experimentos foram selecionados 1.100.000 pacientes a partir de 2 datasets extraídos inicialmente da base de dados MIMIC-III. O estudo foi organizado em três etapas: Na primeira etapa foi realizada uma revisão de escopo, na segunda etapa foi determinado o índice de deterioração do paciente adulto a partir dos dados clínicos e de laboratório com séries temporais mais relevantes tratados estatisticamente e na última etapa foram realizados os experimentos computacionais, usando uma abordagem híbrida de redes neurais convolucionais e redes de memória de curto e longo prazo, a fim de predizer o índice de deterioração em passos de tempo futuros. Construiu-se então os modelos matemáticos necessários para cálculo dos pesos das varáveis que fazem parte do índice de deterioração. RESULTADOS: O modelo de redes neurais híbridas, recebeu ajustes em 10 cenários diferentes para avaliação de seus desempenhos, com ajustes de hiper parâmetros em “Seed, Past_H, Future_H, Val_Split, Epochs e Batch_Size “, onde foi possível demonstrar a predição de eventos futuros com uma série temporal retroativa de registros e treinamentos para predizer a sexta (6) hora, décima segunda (12) hora, décima oitava (18) hora e vigésima quarta (24) hora. O desempenho obteve métricas globais de MAE = 9,36 - 9,89 e MAPE = 24,19 - 25,96%. CONCLUSÕES: Os desempenhos do modelo híbrido, apresentou resultados muito próximos com hiper parâmetros semelhantes, com pacientes de bases diferentes, como MIMIC-III e MIMIC-IV. Os melhores resultados foram observados na predição das próximas 6 horas futuras. Por fim, sugerimos que a pesquisa tem potencial de ineditismo explorado na condução do trabalho, que projeta contribuições científicas para a comunidade acadêmica, para a sociedade e para os processos assistenciais, e que os resultados podem antecipar eventos clínicos e oferece oportunidades de intervenções e condutas no ambiente hospitalar para a segurança e proteção dos pacientes.",
 	publisher = {Universidade Nove de Julho},
 	scholl = {Programa de Pós-Graduação em Informática e Gestão do Conhecimento},
 	note = {Informática}
}