Percorrer por autor "PEREIRA, FILIPE DANIEL NOGUEIRA BARBOSA"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Previsão inteligente de falhas microbiológicas em endoscópios descontaminados com quantificação de incertezaPublication . PEREIRA, FILIPE DANIEL NOGUEIRA BARBOSA; Sousa, Laura Luciana Cavalcante de; Martinho, Diogo Manuel PereiraOs endoscópios flexíveis são dispositivos médicos reutilizáveis sujeitos a ciclos repetidos de utilização clínica e descontaminação por High-Level Disinfection (HLD). Apesar dos protocolos estabelecidos, a vigilância microbiológica revela taxas de contaminação residual com impacto direto na segurança do doente. Os métodos convencionais, baseados em culturas microbiológicas realizadas após o reprocessamento, só identificam falhas depois de o equipamento ter reentrado em circulação. Torna-se, por isso, relevante desenvolver abordagens preditivas que estimem o risco de falha antes de cada ciclo de utilização, a partir de variáveis operacionais, de instrumentação e de manutenção. A dissertação propõe e avalia uma pipeline preditiva integrada para a estimação do risco microbiológico em endoscópios descontaminados, enquadrada como prova de conceito com dados sintéticos. Na ausência de datasets clínicos públicos anotados com desfechos microbiológicos, foi construído um dataset sintético causalmente estruturado, com 30 000 registos e 20 dispositivos simulados, cuja cadeia causal modela a progressão desde a instrumentação e o resíduo orgânico até à qualidade de reprocessamento e ao risco microbiológico acumulado. A variável-alvo microbial_failure foi calibrada para uma prevalência de aproximadamente 15%, num cenário com classe positiva minoritária. Foram comparados três modelos de aprendizagem automática: Regressão Logística como referência linear, Random Forest como referência de ensemble e Extreme Gradient Boosting (XGBoost) como modelo principal, pela compatibilidade com TreeSHAP e pelo desempenho em dados tabulares desbalanceados. O XGBoost calibrado por Platt scaling obteve Area Under the Precision-Recall Curve (AUPRC) de 0,400, Area Under the Receiver Operating Characteristic (AUROC) de 0,753, Brier score de 0,110 e Expected Calibration Error (ECE) de 0,009. A análise de limiares identificou 0,12 como o limiar mínimo com recall ≥ 0,70, captando 70,5% das falhas com valor preditivo negativo de 92,9%, em linha com a assimetria de custos entre falsos negativos e falsos positivos. A explicabilidade foi obtida por TreeSHAP e os fatores dominantes foram a intensidade de instrumentação e o protocolo de reprocessamento. A incerteza das previsões foi quantificada por reamostragem bootstrap, evidenciando previsões geralmente estáveis, com variabilidade acrescida em subconjuntos específicos e uma relação exploratória com a posição face ao limiar operacional. Seis estudos de robustez adicionais confirmaram a coerência interna dos resultados. Foi ainda desenvolvido um protótipo funcional de demonstração académica, integrando predição, incerteza e explicabilidade numa interface de apoio à interpretação. A limitação central é a ausência de validação com dados clínicos reais. Os resultados obtidos são evidência exploratória da viabilidade da abordagem em contexto sintético e não podem ser generalizados sem validação prospetiva independente. O trabalho foi desenvolvido como base metodológica para investigação futura com dados hospitalares reais.