Universidade Federal do Ceará
Mestrado e Doutorado em Ciências da Computação

Título: SEPTRON: Predição de sepse usando transformer, ontologia e algoritmo bioinspirado

Data: 29/08/2025
Horário: 09h
Local: Sala de Seminários do GREAT (Bloco 942-A)

Resumo:

O uso de técnicas de Aprendizado de Máquina (AM) para predição de sepse tem ganhado destaque, como evidenciado pelo número crescente de estudos na área. Entre os principais desafios, destaca-se a seleção de variáveis clínicas relevantes, essencial para a construção de modelos robustos. Esse aspecto é particularmente importante em pacientes com suspeita de sepse, que exigem monitoramento intensivo nas primeiras horas após a admissão em Unidades de Terapia Intensiva (UTIs), com o objetivo de viabilizar diagnóstico e tratamento precoces. Neste contexto, este trabalho propõe o modelo Sepsis Prediction with Transformer, Ontology and Bioinspired Algorithm (SEPTRON), baseado em Deep Learning e construído sobre a arquitetura Transformer adaptada para dados estruturados. O modelo utiliza variáveis selecionadas inicialmente a partir de um modelo conceitual ontológico da sepse e refinadas por um Algoritmo Genético (AG), que é uma técnica bioinspirada empregada para otimização do conjunto de atributos. As contribuições deste trabalho incluem: (i) criação do dataset curado MIMIC-IV-EXT-ONTO-SEPSE, derivado da base MIMIC-IV; (ii) arquitetura Transformer adaptada para dados estruturados; (iii) pipeline estruturado e replicável, da extração à avaliação dos modelos; e (iv) evidências sobre a relevância clínica das variáveis. A avaliação comparativa focou na análise do desempenho do Transformer em relação a quatro modelos clássicos: Logistic Regression, Random Forest, XGBoost e Long Short-Term Memory (LSTM). Com janelas temporais de 4 horas ao longo das primeiras 72 horas de internação na UTI, o Transformer apresentou desempenho superior. Mesmo após a aplicação do AG para redução do conjunto dessas variáveis, o desempenho permaneceu competitivo, demonstrando a robustez da abordagem. A proposta SEPTRON, ao combinar um modelo conceitual de sepse, AG e Transformer, demonstrou alto potencial para predição de sepse em contextos clínicos reais, aliando desempenho, interpretabilidade e viabilidade computacional. Essa eficácia foi reforçada pela análise da evolução da probabilidade de sepse ao longo das 72 horas, posicionando o SEPTRON como uma ferramenta promissora para suporte a decisões clínicas precoces.

Banca examinadora: