Publicação
Extubação de doentes críticos: Previsão do desfecho para apoio à decisão clínica
| dc.contributor.advisor | Faria, Brígida Mónica | |
| dc.contributor.advisor | Oliveira, Alexandra Alves | |
| dc.contributor.advisor | Pedroto, Maria | |
| dc.contributor.author | Oliveira, Catarina Cardoso | |
| dc.date.accessioned | 2026-02-23T12:03:06Z | |
| dc.date.available | 2026-02-23T12:03:06Z | |
| dc.date.issued | 2025-11-21 | |
| dc.description.abstract | A extubação constitui um momento crítico no processo de desmame da ventilação mecânica invasiva, estando associada a risco significativo de complicações em caso de falha. A previsão precisa do sucesso da extubação permanece, contudo, um desafio clínico, dada a natureza multifatorial do desfecho (1–3). O presente estudo teve como objetivo principal desenvolver e validar modelos preditivos baseados em técnicas de machine learning, de forma a antecipar o resultado da extubação em doentes internados em unidades de cuidados intensivos. De forma específica, pretendeu-se avaliar o desempenho classificativo dos modelos, comparar diferentes estratégias para o tratamento do desbalanceamento de classes e identificar as variáveis clínicas com maior impacto no desfecho. O estudo recorreu à base de dados MIMIC-IV (4,5), resultando numa amostra final de 2571 episódios, com inclusão de 54 variáveis abrangendo dados demográficos, sinais vitais, parâmetros ventilatórios, indicadores neurológicos e farmacológicos. Foi formulada uma tarefa de classificação binária, destinada a prever o sucesso ou insucesso da extubação. Foram construídos e avaliados nove modelos de classificação, incluindo algoritmos de ensemble learning (Random Forest, Catboost) e de deep learning (LSTM) (6–8). Adicionalmente, foram testadas estratégias de correção do desbalanceamento, nomeadamente o ajuste de pesos internos e a aplicação da técnicas de oversampling BorderlineSMOTE (9). A análise interpretativa, baseada em valores Shapley Additive Explanations (SHAP) (10), permitiu explorar a relevância das variáveis para a previsão. Os resultados apresentaram valores de desempenho de AUC-ROC: 0.71–0.76, sensibilidade: 0.63–0.76, especificidade: 0.65–0.78, precisão: 0.92–0.94 e F1-score: 0.75–0.77, verificando-se variações nos perfis consoante o algoritmo e a estratégia adotada. Nenhuma das estratégias de balanceamento se revelou claramente superior em todas as métricas, mas ambas contribuíram para ganhos específicos. Entre as variáveis com maior relevância preditiva destacaram-se parâmetros respiratórios, indicadores de sedação e analgesia, instabilidade hemodinâmica e fatores associados aos testes de respiração espontânea. Este trabalho contribui para o corpo de conhecimento científico ao demonstrar a aplicabilidade de algoritmos de machine learning na previsão do desfecho da extubação e ao identificar determinantes clínicos consistentes com a evidência publicada (11–15). Os modelos desenvolvidos devem, contudo, ser entendidos como provas de conceito. Estudos futuros deverão incluir amostras multicêntricas e validações externas, bem como a integração de séries temporais e novos marcadores clínicos, de modo a aproximar estes algoritmos da prática clínica segura e eficaz. | por |
| dc.identifier.tid | 204177880 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/31876 | |
| dc.language.iso | por | |
| dc.rights.uri | N/A | |
| dc.subject | Extubação | |
| dc.subject | Ventilação mecânica invasiva | |
| dc.subject | Machine learning | |
| dc.subject | Modelos preditivos | |
| dc.title | Extubação de doentes críticos: Previsão do desfecho para apoio à decisão clínica | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestre em Bioestatística e Bioinformática Aplicadas à Saúde |
Ficheiros
Principais
1 - 1 de 1
Miniatura indisponível
- Nome:
- Dissertacao_MBBAS_Catarina Cardoso Oliveira_ V.Final.pdf
- Tamanho:
- 14.54 MB
- Formato:
- Adobe Portable Document Format
Licença
1 - 1 de 1
Miniatura indisponível
- Nome:
- license.txt
- Tamanho:
- 4.03 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: