Prognóstico de internação para fraturas em idosos utilizando o Algoritmo XGBoost
| dc.contributor.advisor | Vidal, Francisco José Targino | |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/7452687215068186 | pt_BR |
| dc.contributor.author | Ribeiro, Matheus Trindade | |
| dc.contributor.referees1 | Peixoto, Helton Maia | |
| dc.contributor.referees1Lattes | http://lattes.cnpq.br/8709900833456787 | pt_BR |
| dc.contributor.referees2 | Mata, Matheus de Sousa | |
| dc.contributor.referees2Lattes | http://lattes.cnpq.br/3923692125757582 | pt_BR |
| dc.date.accessioned | 2025-01-23T13:21:37Z | |
| dc.date.available | 2025-01-23T13:21:37Z | |
| dc.date.issued | 2025-01-13 | |
| dc.description.resumo | O envelhecimento populacional e o aumento das fraturas em idosos representam um desafio para os sistemas de saúde. Internações em idosos podem ser agravadas por diversos fatores, como a própria idade avançada ou doenças crônicas dos pacientes. A predição de internações e a identificação de fatores de riscos são fundamentais para otimizar a gestão de recursos. O presente trabalho tem como objetivo desenvolver e avaliar um modelo de predição, utilizando o algoritmo XGBoost, capaz de identificar com precisão o desfecho da internação de idosos com fraturas, determinando se resultará em alta hospitalar ou óbito. Para tanto, será utilizada uma base de dados do Sistema Único de Saúde referente a internações causadas por fraturas em idosos em um período de 2014 a 2023, abrangendo mais de 530 mil internações. A análise exploratória dos dados foi realizada para identificar as principais características associadas ao óbito. Variáveis como idade, sexo, tipo de fratura, raça/cor, lugar onde mora, o tipo de hospital (se filantrópico, se privado/conveniado, se próprio do SUS), dias de internação, valores gastos com a internação, foram consideradas. Após o pré-processamento dos dados, o algoritmo XGBoost foi treinado para classificar os pacientes em duas classes: pacientes que possuem maior probabilidade de ir a óbito e pacientes que irão receber alta. A performance do modelo foi avaliada utilizando métricas como acurácia, recall, F1-score e a curva ROC. | pt_BR |
| dc.identifier.citation | RIBEIRO, Matheus Trindade. Prognóstico de internação para fraturas em idosos utilizando o Algoritmo XGBoost. 2025. 41 f. TCC (Graduação em Ciência e Tecnologia com ênfase em Computação Aplicada) - Ciências e Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2025. | pt_BR |
| dc.identifier.uri | https://repositorio.ufrn.br/handle/123456789/61762 | |
| 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 | Ciência e Tecnologia | pt_BR |
| dc.publisher.initials | UFRN | pt_BR |
| dc.publisher.program | Curso de Ciências e Tecnologia com ênfase em Computação Aplicada | pt_BR |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
| dc.subject | XGBoost | pt_BR |
| dc.subject | Aprendizado de Máquina | pt_BR |
| dc.subject | Fratura em idosos | pt_BR |
| dc.subject | Ciência de dados | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
| dc.title | Prognóstico de internação para fraturas em idosos utilizando o Algoritmo XGBoost | pt_BR |
| dc.title.alternative | Hospitalization prognosis for fractures in elderly using the XGBoost Algorithm | pt_BR |
| dc.type | bachelorThesis | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- PrognopsticoInternacaoFraturas_Ribeiro_2025.pdf
- Tamanho:
- 1.1 MB
- 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