Universidade Federal do Ceará
Mestrado e Doutorado em Ciências da Computação

Título:Modelo de Predição de Sepse com Ontologia, Algoritmo Bioinspirado e Deep Learning

Data: 16/12/2024
Horário: 09h
Local: Sala de Seminários – Bloco 942-A (GREat)

Resumo:

O uso de técnicas de Aprendizado de Máquina para a predição de sepse tem ganhado destaque mundial, como evidenciado pelos inúmeros trabalhos científicos publicados nos últimos anos. Entre os principais desafios desta área, destacam-se a definição das informações clínicas mais relevantes para serem utilizadas como características de entrada nos modelos preditivos e a organização dessas informações em intervalos de tempo regulares. Isso é crucial, considerando que pacientes com suspeita de sepse exigem monitoramento rigoroso nas primeiras horas após a admissão em Unidades de Terapia Intensiva (UTIs), visando diagnóstico e tratamento precoces, evitando sequelas permanentes ou até mesmo o óbito. Diante desse cenário, esta pesquisa propõe a aplicação de modelos de Deep Learning, como Long Short-Term Memory (LSTM) e Transformer, para a predição precoce de sepse em pacientes internados em UTIs, utilizando a base de dados MIMIC-IV. Para isso, será construído um dataset específico, derivado dessa base, utilizando uma ontologia de sepse já existente para a extração inicial de características clínicas relevantes. Em seguida, essas características serão otimizadas através de um algoritmo bioinspirado, visando a redução de dimensionalidade e a maximização do desempenho preditivo. Além disso, será desenvolvido um pipeline de dados estruturado para guiar o planejamento e a execução da proposta. Como contribuição principal, será construído um modelo preditivo, utilizando tecnologias avançadas de Deep Learning, como LSTM e Transformer, com características selecionadas a partir de uma ontologia da sepse e refinadas por um Algoritmo Genético (AG). Outras contribuições esperadas incluem a criação da MIMIC-IV-EXT-ONTO-SEPSE, uma base de dados organizada em intervalos de tempo regulares, contendo informações clínicas relevantes alinhadas aos conceitos de sepse. Além disso, será desenvolvida uma metodologia estruturada para construção de um pipeline de dados voltado à MIMIC-IV, com potencial para aplicação em outras condições clínicas como diabetes, câncer e dados multimodais como dados estruturados (sinais vitais, exames) e não estruturados (imagens médicas, notas clínicas).

Banca examinadora:

• Profa. Dra. Rossana Maria de Castro Andrade (MDCC/UFC – Orientadora)
• Prof. Dr. Joaquim Celestino Júnior (UECE – Coorientador)
• Profa. Dra. Valéria Lelli Leitão Dantas (MDCC/UFC)
• Prof. Dr. Gustavo Augusto Lima de Campos (UECE)
• Profa. Dra. Cibelly Aliny Siqueira Lima Freitas (UVA)