Dissertação
Real time automatic risk prediction in ICU patients treated with ECMO EVALUATED
Oxigenação por Membrana Extracorporal (ECMO) é uma intervenção terapêutica usada em medicina intensiva que fornece suporte vital a doentes críticos com disfunção cardíaca e pulmonar, tendo sido decisiva durante a pandemia COVID-19. O suporte de ECMO depende de uma rede complexa de sistemas tecnologicamente avançados que monitorizam a condição clínica dos doentes ao longo do internamento, produzindo dados multidimensionais e multidisciplinares. Analisar estes dados representa um desafio, mas também uma oportunidade promissora para aplicação de técnicas de Machine Learning (ML). 81 séries temporais multivariadas etiquetadas relativas a doentes com pneumonia COVID-19 tratados com ECMO foram usadas para treinar modelos Support Vector Machine (SVM), usando diferentes kernels, e Random Forest para discernir entre deterioração e melhoria clínica. O modelo Random Forest obteve o melhor desempenho preditivo e calibração. A análise da relevância das variáveis ofereceu ainda informações valiosas relativas às previsões deste modelo, aumentando a sua interpretabilidade e aplicabilidade prática. O modelo Random Forest com 100 árvores foi utilizado para calcular um score de risco, que fornece uma estimativa em tempo real do risco de deterioração clínica durante o internamento sob aplicação de ECMO. O score antecipou eficazmente períodos de deterioração e melhoria clínica, alcançando áreas sob a curva ROC de 0,9176, 0,8944 e 0,8556 para intervalos de tempo precedentes destes períodos de 4, 8 e 12 horas, respetivamente. Este estudo demonstra o suporte crucial que sistemas de ML podem oferecer no que respeita à avaliação médica de doentes complexos, revelando informações que de outra forma poderiam permanecer ocultas.
novembro 27, 2024, 11:30
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores
Professor Auxiliar