Aprendizado de máquina aplicada para previsão do tipo de parto
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumo
Objetivo: Desenvolver modelos estatísticos, através de técnicas de Machine Learning (ML), para modelar e predizer indicadores estratégicos assistenciais e administrativos no Complexo Hospitalar. Métodos: O estudo foi feito através das Fichas de Monitoramento/Avaliação, onde é obtido os dados das pacientes em trabalho de parto que tiveram o parto normal ou cesárea no Centro Obstétrico da Maternidade. Esses dados foram utilizados para gerar o modelo de Machine Learning. Resultados: O modelo Decision Tree alcançou a mais alta acurácia em comparação com os outros modelos testados, o que indica sua capacidade de fazer previsões corretas em uma proporção significativa. Conclusão: O modelo se mostrou bem-sucedido ao revelar que o tipo de parto cesariano foi a via de parto mais predominante entre as participantes do estudo, correspondendo a mais de 50% do total de partos. A possibilidade de ampliação do projeto para outras universidades teria impacto positivo, pois poderão fornecer informações valiosas para aprimorar a tomada de decisões em relação ao tipo de parto em diferentes contextos de saúde.
##plugins.themes.bootstrap3.article.details##
Copyright © | Todos os direitos reservados.
A revista detém os direitos autorais exclusivos de publicação deste artigo nos termos da lei 9610/98.
Reprodução parcial
É livre o uso de partes do texto, figuras e questionário do artigo, sendo obrigatória a citação dos autores e revista.
Reprodução total
É expressamente proibida, devendo ser autorizada pela revista.
Referências
2. BI Q, et al. What is Machine Learning? A Primer for the Epidemiologist. Am J Epidemiol, 2019; 188(12): 2222-2239.
3. CARNEIRO JL. Avaliação de boas práticas obstétricas e desfechos maternos em maternidade de referência. Dissertação (Mestrado em Enfermagem) - Universidade Federal do Ceará, Fortaleza, 2019; 105.
4. CESAR MBN, et al. Aplicabilidade de algoritmo de apoio à decisão na avaliação perineal para o parto. Acta Paulista de Enfermagem, 2022; 35: APE003966.
5. COSTA e SILVA SP, et al. Parto normal ou cesariana? fatores que influenciam na escolha da gestante. Revista de enfermagem da UFSM, 2014; 4: 1-9.
6. DEO RC. Machine Learning in Medicine. Circulation,2015; 132(20): 1920-30.
7. DOMINGUES RMSM, et al. Processo de decisão pelo tipo de parto no Brasil: da preferência inicial das mulheres à via de parto final. Cadernos de Saúde Pública, 2014; 30: 101-116.
8. HABEHH H e GOHEL S. Machine Learning in Healthcare. Curr Genomics, 2021; 22(4): 291-300.
9. JUNIOR TL, et al. Escolha da via de parto: expectativa de gestantes e obstetras. Revista Bioética, 2013; 3: 509-517.
10. LUDEMIR TB. Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências. Estudos Avançados, 2021; 35(101): 85-94.
11. MORESI EHC, et al. Classificação de Robson para cesariana em Hospital Público do Distrito Federal. Revista Brasileira de Saúde Materno Infantil, 2022; 22(4): 1043-1050.
12. OLIVEIRA SMJV, et al. Tipo de parto: expectativas das mulheres. Revista Latino-Americana de Enfermagem, 2002; 10(5): 667- 674.
13. PAIXÃO GMM, et al. Machine Learning na Medicina: Revisão e Aplicabilidade, 2021; 118(2): 95-102.
14. PIMENTEL TA e OLIVEIRA-FILHO EC. Fatores que influenciam na escolha da via de parto cirúrgica: uma revisão bibliográfica. Universitas: Ciências da Saúde, 2016; 14(2).
15. PODGORELEC V, et al. Decision Trees: An Overview and Their Use in Medicine. Journal of Medical Systems, 2002; 26: 445–463.
16. RAHMANI AM, et al. Machine Learning (ML) in Medicine: Review, Applications, and Challenges. Mathematics, 2021; 9(22): 2970.
17. SIDEY-GIBBONS JAM e SIDEY-GIBBONS CJ. Machine learning in medicine: a practical introduction. BMC Med Res Methodol, 2019; 19(64).
18. SANTOS HG, et al. Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil. Cadernos de Saúde Pública, 2019; 35(7): 00050818.
19. SIMÕES AD, et al. Perfil epidemiológico dos tipos de parto realizados no Brasil: análise temporal, regional e factorial. Research, Society and Development, 2022; 11(7): 0211729678.
20. SONG Y e LU Y. Decision tree methods: applications for classification and prediction. Shanghai Arch Psychiatry, 2015; 27(2): 130-5.