-
ARTIGO ORIGINAL26/02/2024
Inteligência artificial para predição do tempo de banho no leito em Unidades de Terapia Intensiva
Revista Brasileira de Enfermagem. 2024;77(1):e20230201
Resumo
ARTIGO ORIGINALInteligência artificial para predição do tempo de banho no leito em Unidades de Terapia Intensiva
Revista Brasileira de Enfermagem. 2024;77(1):e20230201
DOI 10.1590/0034-7167-2023-0201pt
Visualizações0RESUMO
Objetivos:
avaliar a performance preditiva de diferentes algoritmos de inteligência artificial para estimar o tempo de execução do banho no leito em pacientes críticos.
Métodos:
estudo metodológico, que utilizou algoritmos de inteligência artificial para predizer o tempo de banho no leito em pacientes críticos. Foram analisados os resultados dos modelos de regressão múltipla, redes neurais perceptron multicamadas e função de base radial, árvore de decisão e random forest.
Resultados:
entre os modelos avaliados, o modelo de rede neural com função de base radial, contendo 13 neurônios na camada oculta, apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito. Na validação dos dados, o quadrado da correlação entre os valores preditos e os valores originais foi de 62,3%.
Conclusões:
o modelo de rede neural com função de base radial apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito em pacientes críticos.
Palavras-chave: BanhosEnfermagemInteligência ArtificialRedes Neurais de ComputaçãoUnidades de Terapia IntensivaVer maisVisualizações0
This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Resumo
ARTIGO ORIGINALInteligência artificial para predição do tempo de banho no leito em Unidades de Terapia Intensiva
Revista Brasileira de Enfermagem. 2024;77(1):e20230201
DOI 10.1590/0034-7167-2023-0201pt
Visualizações0RESUMO
Objetivos:
avaliar a performance preditiva de diferentes algoritmos de inteligência artificial para estimar o tempo de execução do banho no leito em pacientes críticos.
Métodos:
estudo metodológico, que utilizou algoritmos de inteligência artificial para predizer o tempo de banho no leito em pacientes críticos. Foram analisados os resultados dos modelos de regressão múltipla, redes neurais perceptron multicamadas e função de base radial, árvore de decisão e random forest.
Resultados:
entre os modelos avaliados, o modelo de rede neural com função de base radial, contendo 13 neurônios na camada oculta, apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito. Na validação dos dados, o quadrado da correlação entre os valores preditos e os valores originais foi de 62,3%.
Conclusões:
o modelo de rede neural com função de base radial apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito em pacientes críticos.
Palavras-chave: BanhosEnfermagemInteligência ArtificialRedes Neurais de ComputaçãoUnidades de Terapia IntensivaVer maisThis is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. -
INOVAÇÃO TECNOLÓGICA04/12/2023
Web App para a predição de internação em Unidade de Terapia Intensiva por covid-19
Revista Brasileira de Enfermagem. 2023;76(6):e20220740
Resumo
INOVAÇÃO TECNOLÓGICAWeb App para a predição de internação em Unidade de Terapia Intensiva por covid-19
Revista Brasileira de Enfermagem. 2023;76(6):e20220740
DOI 10.1590/0034-7167-2022-0740pt
Visualizações0Ver maisRESUMO
Objetivo:
Desenvolver um Web App a partir de um modelo preditivo para estimar o risco de internação de pacientes com covid-19 em UTI.
Métodos:
Realizou-se uma pesquisa aplicada de produção tecnológica com o desenvolvimento do Streamlit a partir do Python, considerando o modelo de árvore de decisão que apresentou o melhor desempenho (AUC 0.668).
Resultados:
A partir das variáveis associadas à Enfermagem de Precisão, o Streamlit estratifica os pacientes internados nas unidades clínicas com maior probabilidade de internação em Unidade de Terapia Intensiva, funcionando como uma ferramenta de apoio à tomada de decisão dos profissionais de saúde.
Considerações finais:
A performance do modelo pode ter sido influenciada pelo início da vacinação no período de coleta de dados, no entanto, o Web App via Streamlit mostrou-se uma ferramenta viável para a apresentação dos resultados de pesquisa, devido à facilidade de entendimento por parte dos enfermeiros e pelo potencial de apoio à decisão clínica.
Visualizações0This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Resumo
INOVAÇÃO TECNOLÓGICAWeb App para a predição de internação em Unidade de Terapia Intensiva por covid-19
Revista Brasileira de Enfermagem. 2023;76(6):e20220740
DOI 10.1590/0034-7167-2022-0740pt
Visualizações0Ver maisRESUMO
Objetivo:
Desenvolver um Web App a partir de um modelo preditivo para estimar o risco de internação de pacientes com covid-19 em UTI.
Métodos:
Realizou-se uma pesquisa aplicada de produção tecnológica com o desenvolvimento do Streamlit a partir do Python, considerando o modelo de árvore de decisão que apresentou o melhor desempenho (AUC 0.668).
Resultados:
A partir das variáveis associadas à Enfermagem de Precisão, o Streamlit estratifica os pacientes internados nas unidades clínicas com maior probabilidade de internação em Unidade de Terapia Intensiva, funcionando como uma ferramenta de apoio à tomada de decisão dos profissionais de saúde.
Considerações finais:
A performance do modelo pode ter sido influenciada pelo início da vacinação no período de coleta de dados, no entanto, o Web App via Streamlit mostrou-se uma ferramenta viável para a apresentação dos resultados de pesquisa, devido à facilidade de entendimento por parte dos enfermeiros e pelo potencial de apoio à decisão clínica.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. 
-
ARTIGO ORIGINAL09/05/2022
Para além da tecnologia: a inteligência artificial pode apoiar decisões clínicas na predição da sepse?
- Juliane de Souza Scherer
, - Jéssica Silveira Pereira ,
- Mariana Severo Debastiani ,
- Claudia Giuliano Bica
Resumo
ARTIGO ORIGINALPara além da tecnologia: a inteligência artificial pode apoiar decisões clínicas na predição da sepse?
Revista Brasileira de Enfermagem. 2022;75(5):e20210586
DOI 10.1590/0034-7167-2021-0586
- Juliane de Souza Scherer ,
- Jéssica Silveira Pereira ,
- Mariana Severo Debastiani ,
- Claudia Giuliano Bica
Visualizações0Ver maisRESUMO
Objetivo:
Analisar os alarmes críticos preditores de deterioração clínica/sepse para tomada de decisão clínica nos pacientes internados em complexo hospitalar de referência.
Métodos:
Estudo observacional de coorte retrospectivo. A ferramenta de Machine Learning (ML), Robô Laura®, pontua alterações nos parâmetros vitais e exames laboratoriais, classificando-os por gravidade. Incluíram-se pacientes internados e maiores de 18 anos.
Resultados:
Extraíram-se 122.703 alarmes da plataforma, classificados de 2 até 9. A pré-seleção dos alarmes críticos (6 a 9) apontou 263 alertas urgentes (0,2%), dos quais, após o filtro de critérios de exclusão, delimitaram se 254 alertas para 61 pacientes internados. A mortalidade dos pacientes por sepse foi de 75%, dos quais 52% devido à sepse relacionada ao novo coronavírus. Após os alarmes serem atendidos, 82% dos pacientes permaneceram nos setores. Conclusões: Muito além da tecnologia, modelos de ML podem agilizar a decisão clínica assertiva dos enfermeiros, otimizando tempos e recursos humanos especializados.
Visualizações0This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Resumo
ARTIGO ORIGINALPara além da tecnologia: a inteligência artificial pode apoiar decisões clínicas na predição da sepse?
Revista Brasileira de Enfermagem. 2022;75(5):e20210586
DOI 10.1590/0034-7167-2021-0586
- Juliane de Souza Scherer ,
- Jéssica Silveira Pereira ,
- Mariana Severo Debastiani ,
- Claudia Giuliano Bica
Visualizações0Ver maisRESUMO
Objetivo:
Analisar os alarmes críticos preditores de deterioração clínica/sepse para tomada de decisão clínica nos pacientes internados em complexo hospitalar de referência.
Métodos:
Estudo observacional de coorte retrospectivo. A ferramenta de Machine Learning (ML), Robô Laura®, pontua alterações nos parâmetros vitais e exames laboratoriais, classificando-os por gravidade. Incluíram-se pacientes internados e maiores de 18 anos.
Resultados:
Extraíram-se 122.703 alarmes da plataforma, classificados de 2 até 9. A pré-seleção dos alarmes críticos (6 a 9) apontou 263 alertas urgentes (0,2%), dos quais, após o filtro de critérios de exclusão, delimitaram se 254 alertas para 61 pacientes internados. A mortalidade dos pacientes por sepse foi de 75%, dos quais 52% devido à sepse relacionada ao novo coronavírus. Após os alarmes serem atendidos, 82% dos pacientes permaneceram nos setores. Conclusões: Muito além da tecnologia, modelos de ML podem agilizar a decisão clínica assertiva dos enfermeiros, otimizando tempos e recursos humanos especializados.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. - Juliane de Souza Scherer
Inteligência Artificial Archives - Revista Brasileira de Enfermagem
