PPGCF - Mestrado em Ciências Farmacêuticas
URI Permanente para esta coleçãohttps://repositorio.ufrn.br/handle/123456789/11921
Navegar
Navegando PPGCF - Mestrado em Ciências Farmacêuticas por Autor "02263563458"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Dissertação Machine learning para predição de reação adversa ao medicamento: aplicação a neonatos em terapia intensiva(Universidade Federal do Rio Grande do Norte, 2022-01-31) Nascimento, Amanda Roseane Farias do; Barbosa, Euzebio Guimarães; Martins, Rand Randall; 02263563458; http://lattes.cnpq.br/8062199269259772; http://lattes.cnpq.br/3197108792266393; http://lattes.cnpq.br/3101465081133198; Canuto, Anne Magaly de Paula; http://lattes.cnpq.br/1357887401899097; Oliveira, Yonara Monique da Costa; http://lattes.cnpq.br/7877043354904559Introdução: O tratamento intensivo de neonatos associa -se a um grande volume de dados em seus prontuários. O tratamento desses dados pode ser feito através de Machine Learning: capacidade de melhorar o desempenho da realização de alguma tarefa por meio da experiência e, assim, auxiliar na detecção e na tomada de decisões de uma ampla gama de condições médicas, incluindo reações adversas ao medicamento (RAM). Objetivo: Treinar modelo de predição para auxiliar na detecção de reações adversas aos medicamentos em neonatos internados em uma UTI. Metodologia: estudo observacional desenvolvido na Unidade de Terapia Intensiva Neonatal de um hospital de ensino no Brasil. Dados clínicos foram coletados a partir do seguimento farmacoterapêutico diário, processados e analisados por machine learning através de bibliotecas escritas em linguagem Python. Resultados: Oitocentos e três neonatos foram incluídos no estudo, com média de idade gestacional 32,2 ± 4,2 semanas e peso ao nascer médio de 1807,2 ± 936,6g. A incidência de RAM foi de 10,8%. Antimicrobianos, especialmente os aminoglicosídeos, foram os medicamentos mais prescritos nessa população. Um algoritmo foi treinado e testado na predição de RAM em UTI neonatal, cujas métricas foram precision (0,35) e recall (0,823), com especificidade (80%) e sensibilidade (67%). Conclusão: Existe um alto potencial no método de machine learning na predição de RAM em neonatos internados em uma UTI.