Predição de risco de mortalidade infantil em neonatos prematuros baseado em aprendizagem de máquina

dc.contributor.advisorFernandes, Marcelo Augusto Costa
dc.contributor.advisorID0000-0001-7536-2506pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3475337353676349pt_BR
dc.contributor.authorFreitas, Gabriel Ribeiro de
dc.contributor.authorLatteshttp://lattes.cnpq.br/3059452822334844pt_BR
dc.contributor.referees1Silva, Lucileide Medeiros Dantas da
dc.contributor.referees1Latteshttp://lattes.cnpq.br/4888844108485691pt_BR
dc.contributor.referees2Dalmolin, Matheus Gibeke Siqueira
dc.contributor.referees2ID0000-0002-5400-0909pt_BR
dc.contributor.referees2Latteshttp://lattes.cnpq.br/6696965491888991pt_BR
dc.date.accessioned2025-01-23T11:41:13Z
dc.date.available2025-01-23T11:41:13Z
dc.date.issued2025-01-17
dc.description.abstractThis 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.resumoO 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.citationFREITAS, 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.urihttps://repositorio.ufrn.br/handle/123456789/61717
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEngenharia de Computação e Automaçãopt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programEngenharia de Computaçãopt_BR
dc.rightsAttribution 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/*
dc.subjectMachine Learningpt_BR
dc.subjectMortalidade neonatalpt_BR
dc.subjectModelos preditivospt_BR
dc.subjectÉtica em saúdept_BR
dc.titlePredição de risco de mortalidade infantil em neonatos prematuros baseado em aprendizagem de máquinapt_BR
dc.title.alternativePrediction of Infant mortality risk in preterm neonates based on machine learningpt_BR
dc.typebachelorThesispt_BR

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
PredicaodeRisco_Freitas_2025.pdf
Tamanho:
823.14 KB
Formato:
Adobe Portable Document Format
Nenhuma Miniatura disponível
Baixar

Licença do Pacote

Agora exibindo 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
Baixar