Percorrer por data de Publicação, começado por "2026-07-16"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Multimodal Machine Learning for Early Detection of Clinical Deterioration in Chronic Heart FailurePublication . Barbosa, Bruno Filipe Catarino; Craveiro, Olga Marina FreitasA Insuficiência Cardíaca Crónica (ICC) é uma das principais causas de hospitalização e mortalidade, sendo frequentes os episódios de deterioração clínica de curto prazo. Este projeto investiga a utilização de técnicas de Mineração de Dados, Machine Learning e Processamento de Linguagem Natural para apoiar a predição de deterioração clínica de curto prazo em doentes com ICC estabelecida, integrados num programa de monitorização remota. Uma Revisão Sistemática da Literatura, apoiada pela estrutura PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), estabeleceu o contexto clínico e metodológico. Seguindo a metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining), foi desenvolvido um enquadramento multimodal utilizando dados de 181 doentes com ICC. Medições fisiológicas estruturadas e dados de alertas foram combinados com notas clínicas não estruturadas. O texto foi limpo e processado através da extração de conceitos clínicos baseada em regras, representações TF-IDF baseadas em uni-, bi- e trigramas, e embeddings contextuais gerados com o BioBERTpt-clin, um modelo linguístico clínico português baseado em BERT. Os sintomas, comorbilidades, tratamentos e outros indicadores derivados do texto foram agregados ao nível do doente e integrados com características fisiológicas numa matriz de risco clinicamente fundamentada. Foram desenvolvidos modelos de Regressão Logística regularizados para prever instabilidade clínica grave numa janela de 90 dias: um modelo base estruturado, baseado em indicadores fisiológicos, e um modelo integrado que incorporou conceitos derivados do texto. Um classificador Random Forest foi avaliado como referência comparativa não linear. A validação cruzada estratificada a cinco partições produziu valores de ROC-AUC de 0,855 para o modelo estruturado e 0,857 para o modelo integrado. Os indicadores de instabilidade fisiológica foram os preditores mais fortes, enquanto as características derivadas do texto acrescentaram contexto clínico. Apesar do enquadramento retrospetivo de implementação única, os resultados demonstram a viabilidade da estratificação de risco multimodal no apoio à decisão baseado em telemonitorização na gestão da ICC.