Predição de risco de mortalidade infantil em neonatos prematuros baseado em aprendizagem de máquina
dc.contributor.advisor | Fernandes, Marcelo Augusto Costa | |
dc.contributor.advisorID | 0000-0001-7536-2506 | pt_BR |
dc.contributor.advisorLattes | http://lattes.cnpq.br/3475337353676349 | pt_BR |
dc.contributor.author | Freitas, Gabriel Ribeiro de | |
dc.contributor.authorLattes | http://lattes.cnpq.br/3059452822334844 | pt_BR |
dc.contributor.referees1 | Silva, Lucileide Medeiros Dantas da | |
dc.contributor.referees1Lattes | http://lattes.cnpq.br/4888844108485691 | pt_BR |
dc.contributor.referees2 | Dalmolin, Matheus Gibeke Siqueira | |
dc.contributor.referees2ID | 0000-0002-5400-0909 | pt_BR |
dc.contributor.referees2Lattes | http://lattes.cnpq.br/6696965491888991 | pt_BR |
dc.date.accessioned | 2025-01-23T11:41:13Z | |
dc.date.available | 2025-01-23T11:41:13Z | |
dc.date.issued | 2025-01-17 | |
dc.description.abstract | This study investigates the application of Machine Learning (ML) models to predict mortality risk in preterm neonates, one of the most significant challenges in contemporary neonatal medicine. The research explores how advanced ML techniques, such as Gradient Boosting, Neural Networks, Logistic Regression, and Naive Bayes, can develop accurate and reliable predictive systems to identify neonates at higher risk, aiming to improve interventions and reduce infant mortality. The central hypothesis suggests that each model has distinct potential in predicting these risks, evaluated based on performance, clinical integration, and contributions to public health policies. The methodology included a systematic literature review and the development of a custom dataset built from public data sources, SIM and SINASC. These data were refined and adjusted to eliminate inconsistencies and ensure their applicability in ML techniques, resulting in a targeted and consistent database. The analysis of the models indicated that, while all showed applicability, aspects such as data bias, interpretability, and clinical integration varied among them. It was concluded that the choice of the ideal model must balance accuracy, transparency, and clinical applicability, while also carefully considering ethical issues related to data privacy and informed consent. | pt_BR |
dc.description.resumo | O estudo investiga a aplicação de modelos de Machine Learning (ML) na predição do risco de mortalidade em neonatos prematuros, um dos desafios mais significativos da medicina neonatal contemporânea. A pesquisa explora como técnicas avançadas de ML, como Gradient Boosting, Redes Neurais, Regressão Logística e Naive Bayes, podem desenvolver sistemas preditivos precisos e confiáveis para identificar neonatos em maior risco, visando melhorar intervenções e reduzir a mortalidade infantil. A hipótese central sugere que cada modelo possui diferentes potenciais na predição desses riscos, sendo avaliado com base em desempenho, integração clínica e contribuição para políticas de saúde pública. A metodologia incluiu uma revisão sistemática da literatura e o desenvolvimento de um dataset próprio, construído a partir de dados públicos do SIM e SINASC. Esses dados foram refinados e ajustados para eliminar inconsistências e garantir sua aplicabilidade em técnicas de ML, criando uma base direcionada e consistente. A análise dos modelos indicou que, embora todos apresentem aplicabilidade, aspectos como viés nos dados, interpretabilidade e integração clínica variam entre eles. Concluiu-se que a escolha do modelo ideal deve equilibrar precisão, transparência e aplicabilidade clínica, considerando ainda questões éticas relacionadas à privacidade e ao consentimento informado. | pt_BR |
dc.identifier.citation | FREITAS, Gabriel Ribeiro de. Predição de risco de mortalidade infantil em neonatos prematuros baseado em aprendizagem de máquina. 2025. 65 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, 2025. | pt_BR |
dc.identifier.uri | https://repositorio.ufrn.br/handle/123456789/61717 | |
dc.language | pt_BR | pt_BR |
dc.publisher | Universidade Federal do Rio Grande do Norte | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Engenharia de Computação e Automação | pt_BR |
dc.publisher.initials | UFRN | pt_BR |
dc.publisher.program | Engenharia de Computação | pt_BR |
dc.rights | Attribution 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/br/ | * |
dc.subject | Machine Learning | pt_BR |
dc.subject | Mortalidade neonatal | pt_BR |
dc.subject | Modelos preditivos | pt_BR |
dc.subject | Ética em saúde | pt_BR |
dc.title | Predição de risco de mortalidade infantil em neonatos prematuros baseado em aprendizagem de máquina | pt_BR |
dc.title.alternative | Prediction of Infant mortality risk in preterm neonates based on machine learning | pt_BR |
dc.type | bachelorThesis | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- PredicaodeRisco_Freitas_2025.pdf
- Tamanho:
- 823.14 KB
- Formato:
- Adobe Portable Document Format
Nenhuma Miniatura disponível
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.45 KB
- Formato:
- Item-specific license agreed upon to submission
Nenhuma Miniatura disponível