Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.310
Aluno: Gabriel Oliveira Gonçalves
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Coorientador: Prof. Fernando José Ribeiro Sales (UFPE/Engenharia Biomédica)
Título: Predição de mortalidade por sepse: comparação entre modelos
monolíticos, ensembles estáticos e de seleção dinâmica
Data: 31/07/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Cleber Zanchettin(UFPE / CIn)
Prof. Leonardo Nogueira Matos (UFS / Departamento de Computação)
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / CIn)
RESUMO:
A sepse é uma das principais causas de mortalidade em unidades de terapia
intensiva, e a identificação precoce dos pacientes sob maior risco de óbito
é decisiva para orientar a intervenção clínica. Este trabalho avalia
modelos de aprendizado de máquina para a predição de mortalidade em até 30
dias em pacientes com sepse nas bases de dados MIMIC-III e MIMIC-IV. A
partir de variáveis disponíveis na admissão, foram comparadas três famílias
de modelos, classificadores monolíticos, ensembles estáticos e seleção
dinâmica de ensembles (DES) —, com seleção de variáveis em duas etapas
(filtro estatístico e Boruta), quatro estratégias de balanceamento de
classes, partição estratificada e reamostragem contida no pipeline de
treino. Sete classificadores monolíticos, oito métodos de DES e duas
referências teóricas de teto e piso de desempenho (Oracle e Strict
Consensus) foram avaliados utilizando as métricas de acurácia, Area Under
the Curve (AUC), precisão, recall, especificidade e F1, com intervalos de
confiança de 95%. Os melhores modelos implementados alcançaram AUC de
aproximadamente 91,9% na MIMIC-IV e 88,5% na MIMIC-III; a seleção dinâmica
de ensembles empatou, dentro dos intervalos de confiança, com o melhor
classificador isolado, baseado em boosting. A análise do teto teórico
(Oracle) revelou margem inferior a um ponto percentual sobre o melhor
modelo implantável, e a ablação da seleção de variáveis mostrou efeito
desprezível sobre a discriminação. Conclui-se que um modelo de boosting bem
ajustado alcançou desempenho robusto nas duas bases de dados, sem exigir a
complexidade adicional da seleção dinâmica de ensembles.
Palavras-chave: sepse; mortalidade; aprendizado de máquina; seleção
dinâmica de ensembles; MIMIC-III; MIMIC-IV
Comentários desativados