Uma abordagem computacional para predição de mortalidade em utis baseada em agrupamento de processos gaussianos

Página do item simplificado
dc.contributor.advisor-co1Soares, Anderson da Silva
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/1096941114079527por
dc.contributor.advisor1Bulcão Neto, Renato de Freitas
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5627556088346425por
dc.contributor.referee1Bulcão Neto, Renato de Freitas
dc.contributor.referee2Soares, Anderson da Silva
dc.contributor.referee3Laureano, Gustavo Teodoro
dc.contributor.referee4Oliveira, Marco Antônio Assfalk de
dc.creatorCaixeta, Rommell Guimarães
dc.creator.Latteshttp://lattes.cnpq.br/3203336971477357por
dc.date.accessioned2016-09-28T12:28:10Z
dc.date.issued2016-09-09
dc.description.abstractThe analysis of physiological variables of a patient can improve the death risk classification in Intensive Care Units(ICU) and help decision making and resource management. This work proposes a computational approach to death prediction through physiological variables analysis in ICU. Physiological variables that compounds time-series(e.g., blood pressure) are represented as Dependent Gaussian Processes(DGP). Variables that do not represent time-series (e.g., age) are used to cluster DGPs with Decision Trees. Classification is made according to a distance measure that combines Dynamic Time Warping and Kullback-Leibler divergence. The results of this approach are superior to other method already used, SAPS-I, on the considered test dataset.The results are similar to other computational methods published by the research community. The results comparing variations of the proposed method show that there is advatage in using the proposed clustering of DGPs.eng
dc.description.provenanceSubmitted by Cássia Santos (cassia.bcufg@gmail.com) on 2016-09-28T11:42:24Z No. of bitstreams: 2 Dissertação - Rommell Guimaraes Caixeta - 2016.pdf: 1787149 bytes, checksum: 4187153e23c73bdc540c0032c99b52d3 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)eng
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2016-09-28T12:28:10Z (GMT) No. of bitstreams: 2 Dissertação - Rommell Guimaraes Caixeta - 2016.pdf: 1787149 bytes, checksum: 4187153e23c73bdc540c0032c99b52d3 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)eng
dc.description.provenanceMade available in DSpace on 2016-09-28T12:28:10Z (GMT). No. of bitstreams: 2 Dissertação - Rommell Guimaraes Caixeta - 2016.pdf: 1787149 bytes, checksum: 4187153e23c73bdc540c0032c99b52d3 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2016-09-09eng
dc.description.resumoA análise das variáveis fisiológicas de um paciente pode melhorar a classificação do risco de óbito de um paciente em uma Unidade de Terapia Intensiva(UTI) e auxiliar na tomada de decisões e alocação de recursos disponíveis. Este trabalho propõe uma abordagem computacional de análise de variáveis fisiológicas para previsão de óbito de pacientes em UTI. Variáveis fisiológicas que compõem séries temporais(e.g., pressão arterial) são representadas como Processos Gaussianos Dependentes(PGDs). Variáveis que não representam séries temporais(e.g., idade) são utilizadas para agrupar os PGDs com Árvores de Decisão. A classificação é feita de acordo com uma medida de distância que combina Deformação Temporal Dinâmica e divergência Kullback-Leibler. O resultado desta abordagem quanto ao desempenho de classificação é superior ao método padronizado SAPS-I já utilizado em UTI no conjunto de dados considerado para testes. O resultado é similar à outros métodos computacionais publicados pela comunidade de pesquisa. Os resultados comparando variações da abordagem proposta também mostram que há vantagem em utilizar o agrupamento de PGDs descrito.por
dc.formatapplication/pdf*
dc.identifier.citationCAIXETA, R. G. Uma abordagem computacional para predição de mortalidade em utis baseada em agrupamento de processos gaussianos. 2016. 59 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2016.por
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/6297
dc.languageporpor
dc.publisherUniversidade Federal de Goiáspor
dc.publisher.countryBrasilpor
dc.publisher.departmentInstituto de Informática - INF (RG)por
dc.publisher.initialsUFGpor
dc.publisher.programPrograma de Pós-graduação em Ciência da Computação (INF)por
dc.rightsAcesso Abertopor
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectMineração de dadospor
dc.subjectSinais vitaispor
dc.subjectSéries temporaispor
dc.subjectClassificação,por
dc.subjectProcessos gaussianospor
dc.subjectData miningeng
dc.subjectVital signseng
dc.subjectTime serieseng
dc.subjectClassificationeng
dc.subjectGaussian processeseng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpor
dc.titleUma abordagem computacional para predição de mortalidade em utis baseada em agrupamento de processos gaussianospor
dc.title.alternativeA gaussian process clustering based approach to mortality prediction in icuseng
dc.typeDissertaçãopor

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Dissertação - Rommell Guimaraes Caixeta - 2016.pdf
Tamanho:
1.7 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
2.11 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Mestrado em Ciência da Computação (INF)