Made available in DSpace on 2015-05-14T12:47:11Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 3933359 bytes, checksum: 8b1a14ddde7e9f62a39543e1408efd75 (MD5) Previous issue date: 2012-02-27 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Traffic accidents produce high morbidity and mortality in several countries, including Brazil. Initial care to victims of these accidents, by a specialized team, has tools for evaluating severity of trauma, which guide priorities. The purpose of this study is to understand process of decision making to meet victims of traffic accidents and from that develop an understanding of the decision support model that assists medical regulator to decide the severity of injury caused by this condition to health. The study looked at all victims of traffic accidents attended by SAMU of João Pessoa-PB in 2010. It is an epidemiological investigation based on institutional data collection instrument which was the regulation of medical records. Descriptive and spatial statistics was conducted, definition of the decision model was a decision tree whose objective attribute is represented by severity of the injury Abbreviated Injury Scale (AIS). SAMU attended 4.514 TA victims in João Pessoa in 2010. 99% of emergency care to victims were made by teams of basic units. Most victims were male (75.45%), aged between 20 and 39 years (60%) and the mechanism of injury was motorcycle (63%). The most affected body region was limbs (62%) and the more frequent AIS was AIS1 (64.3%). With regard to spatial analysis, the risk map identified the neighborhood Center as the highest risk (10.15) followed by Água Fria (3.23) and Penha (3.15). The spatial scan map that best fitted the risk map was 5% of the population and 5% significance level. The decision model chosen was decision tree that could correctly classify 99.9% of the severity of lesions, with kappa statistics 99.8%. By this model, it was possible to extract 36 rules for classification of the lesion. Given mistakes made by medical regulation on the presumed severity depending on the 192 system information, the use of decision tree makes it possible to reduce subjectivity in decisions to maximize their probability of a hit and consequent reduction in morbidity and mortality brought about by traffic accident. / Os acidentes de trânsito produzem alta morbimortalidade em vários países do mundo, inclusive no Brasil. O atendimento inicial às vítimas destes acidentes, por equipe especializada, conta com instrumentos de avaliação da gravidade do trauma, que norteiam as prioridades. A proposta deste estudo é elaborar um modelo de suporte à decisão que auxilie o profissional médico regulador na tarefa de definir a gravidade da lesão provocada por esse agravo à saúde. No estudo analisaram-se todas as vítimas de acidentes de trânsito atendidas pelo Serviço de Atendimento Médico de Urgência (SAMU) de João Pessoa-PB no ano de 2010. Trata-se de uma investigação epidemiológica baseada em dados institucionais cujo instrumento de coleta foram as fichas de regulação médica. Realizou-se a estatística descritiva, espacial e a definição do modelo de decisão como uma árvore de decisão e cujo atributo objetivo é a gravidade da lesão determinada pela Abbreviated Injury Scale (AIS). O SAMU atendeu 4.514 vítimas de acidentes de trânsito (AT) em João Pessoa no ano de 2010. Verificou-se que 99% desses atendimentos foram realizados por Unidades de Suporte Básico à vida (USB). A maioria das vítimas era do sexo masculino (75,45%), com idade entre 20 e 39 anos (60%) e o mecanismo do trauma foi motocicleta (63%). A região corpórea mais atingida foram os membros (62%) e o AIS mais frequente foi AIS1 (64,3%). Verificou-se também, o envio inadequado de recursos no atendimento às vítimas de AT, tanto USA em vez de USB como o contrário. Com relação à análise espacial, o mapa de risco identificou o bairro centro como sendo o de maior risco (10,1) seguido de Água Fria (3,23) e Penha (3,15). Quanto ao mapa de varredura scan, o que melhor se adequou ao mapa de risco foi a 5% da população e 5% de significância. O modelo de decisão eleito foi a árvore de decisão que classificou corretamente 99,9% das gravidades das lesões, com estatística kappa 99,8%. Por este modelo, foi possível a extração de 36 regras de classificação da lesão. Diante dos equívocos cometidos pelo médico regulador acerca da gravidade presumida, em função das informações transmitidas pelo sistema 192, a utilização da árvore de decisão torna possível a redução da subjetividade nas decisões maximizando sua probabilidade de acerto e a consequente redução da morbimortalidade acarretada pelo acidente de trânsito.

Orientador: Paulo Roberto de Madureira / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas / Made available in DSpace on 2018-08-22T21:12:11Z (GMT). No. of bitstreams: 1 Nascimento_PauloVictorFernandesSouza_D.pdf: 2007565 bytes, checksum: e01eda41bcffc893c044e9ae75f35532 (MD5) Previous issue date: 2013 / Resumo: As infecções relacionadas à assistência à saúde são responsáveis pela elevação do custo assistencial, aumento da morbimortalidade hospitalar e aumento do tempo de internação. Uma característica peculiar dessas infecções diz respeito à resistência dos microrganismos envolvidos. Protocolos de tratamento de infecções graves, como pneumonia e sepse, indicam o uso inicial de associações antimicrobianas de largo espectro, caso o paciente apresente fatores de risco para resistência. Posteriormente, com o resultado das culturas, o esquema terapêutico inicial seria readequado. Entretanto, esse processo conhecido como "descalonamento" ocorre de forma infrequente. Assim, no momento da escolha inicial dos antimicrobianos para o tratamento de síndromes infecciosas graves, os profissionais se deparam com um dilema: Utilizar um esquema de amplo espectro para a maior proteção do paciente, mas que raramente será revisto e contribuir para o aumento da resistência da microbiota hospitalar, ou tentar o uso de esquemas menos abrangentes? Com o objetivo de auxiliar o médico nesse momento da prescrição, procurou-se identificar possíveis características dos pacientes que pudessem servir como fatores preditores para infecção ou colonização para microrganismos multirresistentes. Em um hospital geral de 90 leitos, na cidade de São José dos Campos, no Estado de São Paulo, Brasil, foi conduzido um estudo de caso-coorte, entre junho de 2009 e junho de 2011, em que todos os pacientes que realizaram pelo menos um exame de cultura foram incluídos (753 pacientes). Os casos foram definidos como todos os pacientes que apresentaram culturas clínicas com o isolamento de pelo menos um microrganismo multirresistente (146 pacientes). A multirresistência foi definida conforme o consenso do Centro de Controle de Infecções e Doenças dos Estados Unidos da América em associação com o Centro Europeu para Prevenção e Controle de Doenças. Os controles foram todos os pacientes que se submeteram a culturas as quais não demonstraram crescimento de um agente multirresistente. Foram avaliadas quatorze variáveis demográficas e clínicas, comumente identificadas como fatores de risco. Foram construídos três modelos de predição clínica: regressão logística, árvore de classificação e floresta aleatória. No modelo de regressão logística, em função de intensa colinearidade, optou-se pela eliminação das variáveis pelo método backward. Na validação interna deste modelo, foi utilizada a técnica de reamostragem por bootstrap. O novo modelo foi calibrado com um fator de shrinkage de 0,91. Os modelos de árvore de classificação e floresta aleatória identificaram, de maneira semelhante, as variáveis mais importantes para predição que foram: história de internação nos últimos 180 dias, tempo de internação até a realização da cultura, Índice de comorbidades de Charlson, presença de cateter nasoentérico, traqueostomia e cateter venoso central. Foi realizada a validação externa temporal com uma nova amostra coletada entre julho e dezembro de 2011, num total de 342 pacientes. As acurácias dos modelos de regressão logística, árvore de classificação e floresta aleatória foram avaliadas por curvas ROC (Receiver operating characteristic). As áreas sobre a curva foram respectivamente: 72,4%, 66,2% e 69,2%. O modelo final da regressão logística com o total de pacientes estudados (1092) apresentou uma área sob a curva ROC corrigida do otimismo de 77,1% / Abstract: Healthcare-associated infections are responsible for rising health care costs, increasing morbidity, mortality, and longer hospital stays. A peculiar characteristic of such infections is the resistance of the involved microorganisms. The presence of infectious agents resistant to multiple classes of antimicrobials is increasing in such infections. Thus, multidrug resistance brings a real challenge to everyday clinical practice. Protocols for treatment of severe infections such as pneumonia and sepsis indicate the use of broad-spectrum antimicrobial associations as the initial therapy if the patient has a risk factor for resistance. Later, with the result of cultures, an adjustment of the initial therapeutic regimen would be expected. However, this process, known as de-escalation, occurs infrequently. Thus, at the moment of choosing the initial antibiotics for treating serious infectious syndromes, physicians are challenged with a dilemma: either to prescribe broad-spectrum antibiotics and contribute to increasing antibiotic resistance or to use a narrow spectrum of antimicrobials and put patients' prognosis at risk. The aim of this study was to identify potential predictors for the harboring of multidrug-resistant bacteria and to build a clinical prediction model that could help physicians to recognize patients with different risks for infection or colonization by these microorganisms. We conducted a case-cohort study in a 90-bed general hospital, at São José dos Campos, São Paulo State, Brazil, with all patients that performed at least one culture (753 patients). Cases were defined as patients that had had a culture demonstrating a multi-resistant agent (146 patients). Controls were all other patients that had had at least one culture. The consensus definition from the Center for Disease Control and the European Centre for Disease Prevention and Control was used to describe antibiotic multi-resistance. Fourteen traditional risk factors were evaluated as predictors. We constructed three clinical prediction models: logistical regression, classification tree, and random forest. In the logistical regression model, due to severe collinearity, we chose to eliminate variables by the backward method. In this model, for internal validation, we used the bootstrap resampling procedure. The new model was calibrated with the use of a shrinkage factor of 0.91. Similarly, the classification tree and random forest models identified that the most important variables for prediction were: admission history of 180 days, tube feeding, and length of hospital stay before culture, Charlson comorbidity index, central venous catheter, and tracheostomy. A temporal external validation was performed with a new sample collected between July and December 2011, with 342 patients. The accuracies of logistic regression, classification tree and random forest models were evaluated by ROC (Receiver operating characteristic) curves. The areas under the curve were 72.4%, 66.2% and 69.2%, respectively. The final logistical regression model with the overall study population (1092 patients) is described and shows an optimism-corrected area under the ROC curve of 77.1% / Doutorado / Epidemiologia / Doutor em Saude Coletiva

Orientadores: Laercio Luis Vendite, Stanley Robson de Medeiros Oliveira / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-23T23:19:05Z (GMT). No. of bitstreams: 1 Chahine_GabrielJorge_M.pdf: 1229228 bytes, checksum: fffd253696b5a9dee9870ae1910256e5 (MD5) Previous issue date: 2013 / Resumo: Dos cânceres do trato urinário, os mais comuns são os de Próstata e de Bexiga, sendo o primeiro a causa mais comum de morte por câncer e o carcinoma mais comum para homens. Nosso objetivo nesse trabalho é desenvolver modelos para determinar se um dado tumor irá aumentar e invadir outros órgãos ou se não apresenta esse risco e permanecerá contido. Para isso, coletamos dados de pacientes com câncer de próstata e analisamos quais variáveis mais impactam para ocorrência de metástase. Com isso construímos modelos de classificação, que, com os dados de um determinado paciente, detectam se naquele caso haverá ou não metástase à distância. Nesse trabalho apresentamos modelos para predição de ocorrência de metástases em câncer de próstata. As simulações foram feitas com dados cedidos pelo prof. Dr. Ubirajara Ferreira, responsável pela disciplina de Urologia da FCM da Unicamp, do Hospital das Clinicas - UNICAMP / Abstract: Of all the cancers of the urinary tract, the most common are the Prostate and Bladder. The first being the most common cause of death by cancer and the most common carcinoma in men. Our goal in this work is to develop predictive models to determine whether a given tumor will grow and invade other organs or, if it doesn't present this risk and will remain constrained. To do this, we collected data from patients with prostate cancer and assessed which variables were the most responsible for the occurrence of metastasis. Hence, we built predictive models that, with the data of a given patient, are able detect whether or not a distant metastasis would occur in. In this work we present models to predict the occurrence of metastasis in prostate cancer. The simulations were made with the data given by prof. Dr. Ubirajara Ferreira, responsible for the disciplines of Urology from Unicamp's Faculty of Medical Sciences / Mestrado / Matematica Aplicada e Computacional / Mestre em Matemática Aplicada e Computacional

Orientadores: Antonio Carlos Moretti, Márcia Aparecida Gomes Ruggiero / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-26T18:03:59Z (GMT). No. of bitstreams: 1 Caetano_Mateus_M.pdf: 1249293 bytes, checksum: f8adb755363291250261872ea756f58c (MD5) Previous issue date: 2015 / Resumo: Técnicas para solucionar problemas de classificação têm aplicações em diversas áreas, como concessão de crédito, reconhecimento de imagens, detecção de SPAM, entre outras. É uma área de intensa pesquisa, para a qual diversos métodos foram e continuam sendo desenvolvidos. Dado que não há um método que apresente o melhor desempenho para qualquer tipo de aplicação, diferentes métodos precisam ser comparados para que possamos encontrar o melhor ajuste para cada aplicação em particular. Neste trabalho estudamos seis diferentes métodos aplicados em problemas de classificação supervisionada (onde há uma resposta conhecida para o treinamento do modelo): Regressão Logística, Árvore de Decisão, Naive Bayes, KNN (k-Nearest Neighbors), Redes Neurais e Support Vector Machine. Aplicamos os métodos em três conjuntos de dados referentes à problemas de concessão de crédito e seleção de clientes para campanha de marketing bancário. Realizamos o pré-processamento dos dados para lidar com observações faltantes e classes desbalanceadas. Utilizamos técnicas de particionamento do conjunto de dados e diversas métricas, como acurácia, F1 e curva ROC, com o objetivo de avaliar os desempenhos dos métodos/técnicas. Comparamos, para cada problema, o desempenho dos diferentes métodos considerando as métricas selecionadas. Os resultados obtidos pelos melhores modelos de cada aplicação foram compatíveis com outros estudos que utilizaram os mesmos bancos de dados / Abstract: Techniques for classification problems have applications on many areas, such as credit risk evaluation, image recognition, SPAM detection, among others. It is an area of intense research, for which many methods were and continue to be developed. Given that there is not a method whose performance is better across any type of problems, different methods need to be compared in order to select the one that provides the best adjustment for each application in particular. In this work, we studied six different methods applied to supervised classification problems (when there is a known response for the model training): Logistic Regression, Decision Tree, Naive Bayes, KNN (k-Nearest Neighbors), Neural Networks and Support Vector Machine. We applied these methods on three data sets related to credit evaluation and customer selection for a banking marketing campaign. We made the data pre-processing to cope with missing data and unbalanced classes. We used data partitioning techniques and several metrics, as accuracy, F1 and ROC curve, in order to evaluate the methods/techniques performances. We compared, for each problem, the performances of the different methods using the selected metrics. The results obtained for the best models on each application were comparable to other studies that have used the same data sources / Mestrado / Matematica Aplicada / Mestra em Matemática Aplicada