@MASTERSTHESIS{ 2018:1828506265,
 	title = {Predição de mortalidade em UTI: aplicação de técnicas de mineração de dados},
 	year = {2018},
 	url = "http://tede2.uefs.br:8080/handle/tede/835",
 	abstract = "A utilização de escores padronizados para identificar a severidade de estado de pacientes internados em Unidade de Terapia Intensiva - UTI, tais como Acute Physiology, Age, Chronic Health Evaluation-APACHE III e Simplified Acute Physiology Score-SAPS provém informações utilizadas pela equipe médica para tomada de decisões. Estes escores de severidade passam por constantes revisões que buscam aprimorar sua capacidade de predição. Devido à utilizar metodologias lineares para predição, e os dados utilizados para obtenção dos escores possuem características não lineares, entendemos que possam ser utilizadas outras técnicas e metodologias para melhorar a predição desses escores. Este estudo busca propor a aplicação de métodos de mineração de dados, no pré-processamento da base de dados e na identificação da severidade do estado dos pacientes, utilizando Redes Neurais Artificiais - RNA, Random Forest - RF e Regressão Logística, tendo como atributos para análise os registros das variáveis fisiológicas já registradas pela equipe médica para cálculo dos escores mencionados. Os dados utilizados para esse fim, foram obtidos do Medical Information Mart for Intensive Care-MIMIC-III , um grande repositório disponível on-line para pesquisas e que contém registro de 56.530 pacientes. Além disso, foram analisadas técnicas de imputação de valores ausentes e balanceamento de classe, na busca por uma maior qualidade nos dados. Após aplicação da metodologia descrita no estudo, a Random Forest obteve desempenho melhor que os demais, com a AUC média de 0,780 (± 0,005), sensibilidade de 0,712 (± 0,012) e especificidade de 0,701 (± 0,005) em conjunto com a técnica de imputação de valores padrões em substituição de valores ausentes, e com o balanceamento de classe usando under sampling. Mediante seleção de atributos, foi construído modelo com redução de atributos com resultados próximos da classificação com todos atributos, o que pode simplificar a coleta de dados pela equipe médica para gerar um escore de severidade.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Mestrado em Computação Aplicada},
 	note = {DEPARTAMENTO DE CIÊNCIAS SOCIAIS APLICADAS}
}