Publicação
Previsão inteligente de falhas microbiológicas em endoscópios descontaminados com quantificação de incerteza
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Sousa, Laura Luciana Cavalcante de | |
| dc.contributor.advisor | Martinho, Diogo Manuel Pereira | |
| dc.contributor.author | PEREIRA, FILIPE DANIEL NOGUEIRA BARBOSA | |
| dc.date.accessioned | 2026-09-18T14:42:28Z | |
| dc.date.available | 2026-09-18T14:42:28Z | |
| dc.date.issued | 2026-07-20 | |
| dc.description.abstract | Os 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. | por |
| dc.description.abstract | Flexible endoscopes are reusable medical devices subject to repeated clinical use and High- Level Disinfection (HLD) reprocessing cycles. Despite established protocols, microbiological surveillance reveals residual contamination rates with direct implications for patient safety. Conventional detection methods, based on post-reprocessing microbiological cultures, only identify failures after the device has re-entered clinical use. This calls for predictive approaches that can estimate microbiological failure risk before each usage cycle, using operational, instrumentation and maintenance variables. This dissertation proposes and evaluates an integrated predictive pipeline for microbiological risk estimation in reprocessed endoscopes, approached as a proof of concept with synthetic data. As no publicly available clinical datasets with annotated microbiological outcomes exist, a causally structured synthetic dataset was constructed with 30,000 records and 20 simulated devices; its causal chain models the progression from instrumentation intensity and organic residue to reprocessing quality and cumulative microbiological risk. The target variable microbial_failure was calibrated to approximately 15% prevalence, producing a moderately imbalanced scenario. Three machine learning models were compared: Logistic Regression as a linear baseline, Random Forest as an ensemble reference, and XGBoost as the main model, selected for its performance on imbalanced tabular data and native compatibility with TreeSHAP. Calibrated by Platt scaling, XGBoost achieved Area Under the Precision-Recall Curve (AUPRC) of 0.400, Area Under the Receiver Operating Characteristic (AUROC) of 0.753, Brier score of 0.110 and Expected Calibration Error (ECE) of 0.009. Threshold analysis identified 0.12 as the minimum threshold satisfying recall ≥ 0.70, reaching recall of 70.5% and negative predictive value of 92.9% on the test set; this reflects the cost asymmetry between false negatives (contaminated device released) and false positives (unnecessary quarantine). Global and local explainability was obtained via TreeSHAP; instrumentation intensity and reprocessing protocol emerged as the dominant risk factors. Prediction uncertainty was quantified by bootstrap resampling, yielding exploratory 95% bootstrap intervals; predictions were generally stable, with increased variability in specific subsets and an exploratory relationship between uncertainty and position relative to the operational threshold. Six robustness studies confirmed the internal coherence of the results. A functional prototype integrated prediction, uncertainty and explainability into a decision-support interface for academic demonstration. The primary limitation is the absence of validation with real clinical data. All results are exploratory evidence of methodological feasibility in a synthetic context and cannot be generalised without independent prospective validation. Clinical deployment would require external validation before any operational use. This work provides a methodologically grounded starting point for future research with real hospital data. | eng |
| dc.identifier.tid | 204361559 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/32743 | |
| dc.language.iso | por | |
| dc.rights.uri | N/A | |
| dc.subject | Endoscope reprocessing | |
| dc.subject | Microbiological failure prediction | |
| dc.subject | Synthetic dataset | |
| dc.subject | Machine learning | |
| dc.subject | Explainable AI | |
| dc.subject | Uncertainty quantification | |
| dc.subject | SHAP | |
| dc.subject | Bootstrap vii | |
| dc.subject | Reprocessamento de endoscópios | |
| dc.subject | Previsão de falha microbiológica | |
| dc.subject | Dataset sintético | |
| dc.subject | Aprendizagem automática | |
| dc.subject | IA explicável | |
| dc.subject | Quantificação de incerteza | |
| dc.title | Previsão inteligente de falhas microbiológicas em endoscópios descontaminados com quantificação de incerteza | |
| dc.title.alternative | Smart prediction of microbiological failures in decontaminated endoscopes with uncertainty quantification | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia de Inteligência Artificial |