Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes

Abstract

Ao meu orientador, Prof. Dr. Paulo Sergio Rodrigues, pela confiança em mim e no meu trabalho, por toda a paciência e atenção, por todas as aulas e ensinamentos passados a mim, e por me ajudar a amadurecer gradualmente como um pesquisador profissional ao longo dos últimos anos.A todos os amigos e colegas que interagi ao longo do curso, pelo compartilhamento de ideias e dúvidas, e pelos momentos de discussão e descontração.Aos meus pais (Renato Rodrigues e Arlene Batista), meu irmão (Felippe Viana), minha namorada (Luana Ogata) e a todos os familiares, por sempre terem me apoiado e entenderem a minha decisão de realizar esse curso.Ao Centro Universitário FEI, pela infraestrutura, disponibilidade de recursos para o desenvolvimento do trabalho e pelos funcionários que me auxiliaram durante esse período."O começo de todas as ciências é o espanto de as coisas serem o que são." Aristóteles RESUMOO número de quedas de pacientes em diversas circunstâncias é um dos maiores problemas de gestão e cuidados hospitalares, podendo levar ao agravamento da saúde do paciente, consequente demora na recuperação e custos hospitalares. Portanto, leva a prevenção a ser uma demanda importante para reduzir tantos problemas de saúde dos pacientes quanto problemas econômicos relacionados. Existem diversos fatores demográficos e clínicos que contribuem para aumento desses riscos. Em vista disso, este trabalho propôs um estudo de risco de queda em bases de dados de pacientes intra e pós hospitalizados por meio de técnicas estatísticas e de Aprendizado de Máquina. O estudo incluiu uma análise de grupos e fatores, apresentando aqueles que possuem maiores impactos nas quedas a partir das análises especificadas. Os resultados mostraram que os algoritmos que se destacaram foram Regressão Logística (Logistic Regression) (LR) e Support Vector Machine (SVM), com valores médios de acurácia, Area under the Receiver Operating Characteristic (AUROC) e F1-Score próximos de 0.81, 0.84 e 0.65, respectivamente. Em termos de clusterização, pode-se destacar o algoritmo Agglomerative Hierarchical Clustering que apresentou um valor médio de Calinski Harabasz Index, Davies Bouldin Index, Silhouette Score próximo a 8.06 * 10 6 , 0.81 e 0.45, mostrando ser eficiente e flexível nas diferentes bases selecionadas. Observando os atributos selecionados, pode-se destacar os três segmentos de dados, sendo eles: dados físicos do paciente, comorbidades e fatores relacionados ao ambiente da queda. Através dos resultados comparados da clusterização com os grupos existentes da base original, pode-se destacar que a clusterização pode ser um meio eficiente para agrupar pacientes e facilitar a criação de soluções pontuais para cada persona.