Um modelo computacional de recomendação de tratamento terapêutico personalizado para paciente com quadro séptico

Aluno: Flávio Yuri Aquino de Oliveira Orientador: Prof. Dr. Rafael de Amorim Silva

Dissertao_SEPSE_submetida.pdf
Documento PDF (864.9KB)

Exibir conteúdo Baixar

UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE COMPUTAÇÃO
PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA

FLÁVIO YURI AQUINO DE OLIVEIRA

UM MODELO COMPUTACIONAL DE RECOMENDAÇÃO DE TRATAMENTO
TERAPÊUTICO PERSONALIZADO PARA PACIENTE COM QUADRO SÉPTICO

Maceió
2023

FLÁVIO YURI AQUINO DE OLIVEIRA

UM MODELO COMPUTACIONAL DE RECOMENDAÇÃO DE TRATAMENTO
TERAPÊUTICO PERSONALIZADO PARA PACIENTE COM QUADRO SÉPTICO

Dissertação apresentada em cumprimento
parcial dos requisitos para o grau de Mestre
em Ciências da Informática da Universidade
Federal de Alagoas, Instituto de Computação.
Orientadores: Prof. Dr. Rafael de Amorim Silva
e Prof. Dr. Bruno Almeida Pimentel

Maceió
2023

Catalogação na Fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecário: Marcelino de Carvalho Freitas Neto – CRB-4 - 1767
O48m

Oliveira, Flávio Yuri Aquino de.
Um modelo computacional de recomendação de tratamento
terapêutico personalizado para paciente com quadro séptico / Flávio
Yuri Aquino de Oliveira . – 2023.
75 f. : il.
Orientador: Rafael de Amorim Silva.
Co-orientador: Bruno Almeida Pimentel.
Dissertação (mestrado em informática) - Universidade Federal de
Alagoas. Instituto de Computação. Maceió, 2023.
Bibliografia: f. 53-59.
Apêndices: f. 60-75.
1. SEPSE. 2. Aprendizado do computador. 3. Prescrição terapêutica. I.
Título.
CDU: 004.85:616.94

MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE COMPUTAÇÃO
Av. Lourival Melo Mota, S/N, Tabuleiro do Martins, Maceió - AL, 57.072-970
PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO (PROPEP)
PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA

Folha de Aprovação
FLÁVIO YURI AQUINO DE OLIVEIRA

UM MODELO COMPUTACIONAL DE RECOMENDAÇÃO DE TRATAMENTO
TERAPÊUTICO PERSONALIZADO PARA PACIENTE COM QUADRO SÉPTICO

A COMPUTATIONAL MODEL FOR RECOMMENDING PERSONALIZED
THERAPEUTIC TREATMENT FOR PATIENTS WITH SEPTIC
Dissertação submetida ao corpo docente do
Programa de Pós-Graduação em Informática
da Universidade Federal de Alagoas e
aprovada em 21 de dezembro de 2023.
Banca Examinadora:

Prof. Dr. RAFAEL DE AMORIM SILVA
UFAL – Instituto de Computação
Orientador

Prof. Dr. ALMIR PEREIRA GUIMARÃES
UFAL – Instituto de Computação
Examinador Externo

Prof. Dr. BRUNO ALMEIDA PIMENTEL
UFAL – Instituto de Computação
Examinador Interno
Prof. Dr. FILIPE MONTEZ COELHO
MADEIRA
Instituto Politécnico de Santarém Escola Superior de
Gestão e Tecnologia de Santarém/
Santarém-PORTUGAL
Examinador Externo
Prof. Dr. DIEGO DERMEVAL MEDEIROS DA
CUNHA MATOS
FAMED – Faculdade de Medicina/UFAL
Examinador Interno

AGRADECIMENTOS

Primeiramente, agradeço a Deus, meu Aba. Por sua infinita graça e bondade sobre a
minha vida, hoje e todos os dias de minha vida, e o sustento no caminho trilhado até este
momento. Sem Ele, nada seria possível.
Agradeço profundamente ao meu orientador, Professor Dr. Rafael de Amorim Silva,
pela parceria, companheirismo, direcionamento, conselhos, dedicação, sobretudo, pela
paciência em vários momentos nesse percurso. Quero que fique registrado a imensa admiração
que tenho pelo senhor.
Ao Professor Dr. Bruno Almeida Pimentel pela ajuda e direcionamento sempre que
precisei e não foram poucas as vezes. Por nortear em vários momentos de dúvidas pelo qual
caminho seguir e disponibilizar seu vasto conhecimento comigo.
Ao Professor Dr. Diego Dermeval M. da C. Matos, membro da banca, que compartilhou
ricas contribuições e observações para enriquecer o trabalho. Muito obrigado!
Agradeço imensamente ao Mestre Phydel Pimentel Carvalho, que, mesmo não o
conhecendo pessoalmente, me ajudou bastante com trabalho, principalmente pela cessão de
dados para que pudesse ser aplicado nessa pesquisa. Sempre muito gentil e solicito. Isso tornou
possível esse trabalho e gostaria que pudéssemos contribuir ainda mais com a academia e com
a sociedade.
Não posso deixar de agradecer a minha esposa, Sarah, por todo apoio recebido ao longo
desta caminhada. Pela parceria, paciência, compreensão nos momentos de ausência, e
principalmente, por todo cuidado recebido nesse período, principalmente nessa reta final. Isso
foi fundamental e fez toda a diferença.
Aos meus pais, por serem minha base, meu referencial e por me incentivarem a ser
melhor. Pelo amor, carinho e todo ensinamento. Sou parte da história de vocês, mas vocês fazem
parte de toda a minha história. Não a nada que eu diga ou faça que possa expressar o quão grato
sou a vocês.
Eu jamais poderia deixar de agradecer a minha querida irmã, por tanto incentivo,
cuidado, ajuda e carinho. Agradeço por estar ao meu lado sempre e incondicionalmente!
Obrigado por ser uma amiga incrível!

“Porque dEle e por Ele, e para Ele, são todas as coisas; glória, pois, a Ele
eternamente. Amém.” Paulo, Romanos 11:36

RESUMO

A Informática na Saúde provê recursos para a geração, manutenção, e armazenamento dos
dados vitais dos pacientes através de prontuários construídos a partir de sistemas. Este estudo
aborda a lacuna identificada na literatura quanto ao suporte técnico aos médicos,
especificamente para o fornecimento de sugestões medicamentosas para pacientes com quadro
séptico de maneira automática e assistida pelo Machine Learning. Dentro da área da Saúde, a
SEPSE se apresenta como um quadro clínico em que o tempo de resposta para esta condição é
vital para o paciente. Se não tratada de maneira eficiente e eficaz, o paciente pode evoluir a
óbito em menos de 24h. Neste contexto, o presente trabalho tem como ideia principal
proporcionar um modelo de Machine Learning para predizer prescrição terapêutica de maneira
automática para auxiliar o médico em sua tomada de decisão e personalizada para o paciente.
Foram encontrados resultados satisfatórios nos modelos testados para a sugestão, tornando-se
um caminho promissor para a mitigação de óbitos decorrentes de SEPSE.
Palavras Chave: SEPSE; Machine Learning; Prescrição Terapêutica.

ABSTRACT

Health Informatics provides resources for the generation, maintenance, and storage of necessary
patient data through medical records built from systems. This study addresses the identified gap
in the literature regarding technical support for physicians, specifically for the automatic and
Machine Learning-assisted provision of medication suggestions for patients with septic
conditions. Within the Health area, SEPSIS presents itself as a clinical condition in which the
response time for this condition is vital for the patient. If not treated efficiently and effectively,
the patient may die in less than 24 hours. In this context, the main idea of this work is to provide
a Machine Learning model to automatically predict therapeutics to assist the doctor in their
decision-making and personalized for the patient. Satisfactory results were found in the tested
models for the suggestion, becoming a promising path for mitigating deaths resulting from
SEPSIS.
Keywords: SEPSIS; Machine Learning; Therapeutic Prescription.

LISTA DE FIGURAS
Figura 1 - Modelo de assistência ao paciente ........................................................................... 36
Figura 2 - Desenvolvimento de sistemas por finalidade ........................................................... 38
Figura 3 - Esquema de Machine Learning para sugestão terapêutica ....................................... 46

LISTA DE TABELA

Tabela 1 - Pontuação de avaliação de falha de órgão sequencial rápida (qSOFA) .................. 20
Tabela 2 - Escala pontuação SOFA .......................................................................................... 20
Tabela 3 - Principais comorbidades apresentadas..................................................................... 23
Tabela 4 - Relação motivo de internação hospitalar ................................................................. 23
Tabela 5 - Resultados com Data Augmentation........................................................................ 48

LISTA DE ABREVIATURAS E SIGLAS
AVC Acidente Vascular Cerebral
AVE Acidente Vascular Encefálico
CVC Cateter Venoso Central
DM

Diabetes Millitus

DPOC Doença Pulmonar Obstrutiva Crônica
DVA Droga Vasoativa
HAS Hipertensão Arterial Sistêmica
IA

Inteligência Artificial

ICC

Insuficiência Cardíaca Congestiva

Infecções Hospitalares

IOT

Intubação Orotraqueal

IRAS Infecções Relacionadas à Assistência em Saúde
IRC

Insuficiência Renal Crônica

ITU

Infecção do Trato Urinário

Intravenosa

MEWS Sistema de Alerta Precoce Modificado
ML

Machine Learning

qSOFA Avaliação sequencial de falência de órgãos rápida
RAM Reação Adversa a Medicamentos
RNC Rebaixamento do Nível de consciência
SIRS Síndrome de Resposta Inflamatória Sistêmica
SOFA avaliação sequencial de falência de órgãos
SVD Sonda Vesical de Demora
TQT

Traqueostomia

Ventilação Mecânica

SUMÁRIO
1 INTRODUÇÃO .................................................................................................................. 12
1.1 Motivação .................................................................................................................... 13
1.2 Contextualização .......................................................................................................... 13
1.3 Justificativa .................................................................................................................. 14
1.4 Problemática ................................................................................................................ 14
1.5 Objetivos ...................................................................................................................... 15
1.5.1 Objetivo Geral .................................................................................................. 15
1.5.2 Objetivos Específicos ....................................................................................... 15
1.6 Proposta ....................................................................................................................... 16
1.7 Estrutura do trabalho.................................................................................................... 16
2 FUNDAMENTAÇÃO TEÓRICA .................................................................................... 18
2.1 Sepse ............................................................................................................................ 18
2.2 Fármacos ...................................................................................................................... 21
2.2.1 Quadro Farmacológico ..................................................................................... 21
2.2.2 Fatores De Risco............................................................................................... 22
2.3 Inteligência Artificial ................................................................................................... 24
2.3.1 Inteligência Artificial na Medicina ................................................................... 24
2.4 Machine Learning ........................................................................................................ 27
2.4.1 Aprendizado Supervisionado ............................................................................ 29
2.4.1.1 KNN (classificado como supervisionado) ......................................................... 29
2.4.1.2 Regressão Logística ........................................................................................... 30
2.4.1.3 Árvore de Decisão / Decision Tree .................................................................... 30
2.4.1.4 Naive Bayes ....................................................................................................... 31
2.4.1.5 Random Forest ................................................................................................... 31
2.4.1.6 Gradient Boosting .............................................................................................. 32
2.4.1.7 Neural Network.................................................................................................. 32
3 PROPOSTA ........................................................................................................................ 34
3.1 Descrição de Relato de Problema ................................................................................ 34
3.1.1 Prontuário.............................................................................................................. 34
3.2 Trabalhos relacionados ................................................................................................ 37
3.3 Relevância .................................................................................................................... 39
4 EXPERIMENTO ................................................................................................................ 40
4.1 Metodologia ................................................................................................................. 40
4.2 Dados ........................................................................................................................... 41
4.3 Ferramentas .................................................................................................................. 42
4.4 Cenário ......................................................................................................................... 42
4.5 Parâmetros ................................................................................................................... 43
4.6 Roteiro ......................................................................................................................... 44
5 RESULTADOS E ANÁLISES .......................................................................................... 46
5.1 Descrição ..................................................................................................................... 46
5.2 Discussão ..................................................................................................................... 49
6 CONSIDERAÇÕES FINAIS ............................................................................................ 50
6.1 Ameaças à validação .................................................................................................... 50
6.2 Trabalhos futuros ......................................................................................................... 51
REFERÊNCIAS .................................................................................................................... 53
APÊNDICES .......................................................................................................................... 60

1 INTRODUÇÃO

A partir da segunda metade do século XX, mais especificamente nas duas primeiras
décadas de nosso século, a Informática tem se feito presente em todos os campos do
conhecimento, mudando a maneira como as pessoas lidam com a informação. A informática na
saúde é vista como uma área emergente em sistemas de informação, tendo alta demanda de
desenvolvimento em novas soluções, seja software ou hardware (Carvalho, 2017). Dentro da
saúde é um campo de rápido incremento científico que fornece recursos para geração de dados,
armazenamento, recuperação e uso da informação, controle, manutenção e arquivamento dos
dados vitais dos pacientes para a resolução de problemas e tomada de decisão.
O suporte de registro em papel está evoluindo para o eletrônico, possibilitando inúmeras
vantagens (Carvalho, 2017). Esse método de Prescrição Eletrônica existente em sistemas de
Prontuário Eletrônico do Paciente (PEP) admite ser melhorado com uso de técnicas de
Inteligência Artificial.
Podemos considerar que a ação de recuperação de informação tem uma relação com a
Prescrição Médica, que se trata de uma afinidade terapêutica importante entre paciente e médico
(Brunton; Lazo; Parker, 2007). Essa prescrição demonstra a capacidade diagnóstica e
terapêutica do médico, por meio dos dados dispostos necessários, para dar andamento ao
tratamento do paciente.
Considerando uma possível gravidade clínica do paciente, algumas prescrições podem
ser bem complexas, gerando, consequentemente, uma construção que precisa ser bem
minuciosa e precisa, criando ocasião para chances de erros em interações medicamentosas,
dosagens e, ainda, devendo-se considerar patogenia específica do paciente. Interações
medicamentosas são, frequentemente, a causa de geração de eventos adversos, tendo como
resultado o aumento do número de internações hospitalares e o tempo de internação, assim
como a geração de custos extras (Morimoto et al., 2004).
Definir certas prescrições pode ser considerado algo muito complexo, sendo possível a
afirmação de que uma prescrição médica não pode ter como base apenas regras simples e
genéricas, nem considerar unicamente informações padrão a diferentes tipos fisiológicos de
pacientes (Carvalho, 2017).
No campo da medicina, é uma realidade a concepção de grandes bancos de dados com
informações sobre sintomas, tratamentos, diagnósticos, resultados de exames e curso das
doenças para cada paciente. O bom uso desses dados pode fornecer ciência nova, como a relação
entre algumas doenças e certos perfis socioculturais, profissionais, local de moradia e hábitos

pessoais. Informações que são respeitadas nos aspectos referentes às doenças. Essas
semelhanças podem ser usadas para melhor compreensão das doenças e seus tratamentos
(Carvalho, 2005).
Na área da saúde, o uso dos bancos de dados permite a recuperação de informação
inserida nesse ambiente, visto que a finalidade desses bancos é proporcionar o acesso à
informação neles armazenados. Assim, um algoritmo, para apoiar a prescrição, necessita
considerar o tratamento dos dados de entrada de maneira dinâmica, moldado de acordo com
cada novo caso que possa surgir e considerando o conhecimento médico para casos resolvidos
antes. Mas para que seja possível usar a base de conhecimento médico é necessário modelar,
desenvolver e avaliar um método que seja possível extrair os dados imprescindíveis para a
constituição de uma proposta de tratamento eficiente e eficaz.
Portanto, este trabalho realizará o desenvolvimento de um algoritmo que será capaz de
auxiliar um médico em sua tomada de decisão ao prescrever tratamento terapêutico
medicamentoso para remissão de paciente em quadro séptico.

1.1 Motivação

A sepse constitui uma condição clínica que anualmente resulta no óbito de milhões de
pessoas ao redor do mundo (WHO, [s. d.]). O tempo para diagnóstico e administração adequada
de medicamentos é um fator crucial para evitar a evolução fatal do quadro do paciente (Van der
Poll et al., 2017). Nenhuma pessoa está isenta de vivenciar um quadro séptico durante o
transcorrer de sua existência. Diante dessa possibilidade e consciente do impacto significativo
que tal situação pode acarretar a vida das pessoas, decidimos realizar uma investigação a fim
de contribuir para o corpo acadêmico e a sociedade como um todo.

1.2 Contextualização

Embora existam alguns estudos, consoante Begum et al. (2011), que abordem o uso da
tecnologia para auxiliar na área da saúde, ao realizar um levantamento na literatura,
identificamos uma lacuna específica no suporte aos médicos por meio de uma lista de sugestões
medicamentosas para pacientes com quadro séptico. Encontramos trabalhos relacionados à
predição da condição de SEPSE (Goh et al., 2021), contudo, até o momento, não havia um
recurso eficaz que oferecesse assistência substancial ao médico na tomada de decisões em um

intervalo de tempo reduzido, considerando as diversas particularidades apresentadas pelo
paciente.

1.3 Justificativa

Ao integrar os conhecimentos de duas disciplinas distintas, tecnologia e saúde,
vislumbramos a possibilidade de impactar positivamente milhões de vidas, tanto em escala
nacional quanto global. Ao abordarmos uma condição de saúde capaz de causar óbito em curto
período, justificamos esta pesquisa na perspectiva de que, ao reduzirmos em 1% o número de
mortes, estamos potencialmente salvando milhares de vidas. Além disso, contribuímos para a
geração de novo conhecimento acadêmico destinado aos profissionais futuros.

1.4 Problemática

Anualmente, conforme a World Health Organization (WHO, [s. d.]), cerca de 49
milhões de pacientes são diagnosticados com SEPSE ao redor do mundo. Com um número
aproximado de 11 milhões de mortes por ano, o quadro séptico é maior causa de mortes em
hospitais por todo mundo, chegando a quase 25%. Nos Estados Unidos da América, por
exemplo, essa porcentagem chega a quase 50% das mortes em hospitais (Rudd et al., 2020).
Pesquisas conduzidas no Brasil durante o período de 2001 a 2003 revelaram índices de
mortalidade oscilando entre 34,4% e 34,7% para pacientes diagnosticados com sepse grave e
de 52,2% a 65,3% para aqueles que enfrentavam quadros de choque séptico(Lobo et al., 2019).
Em uma pesquisa conduzida pelo Instituto Latino Americano da Sepse (ILAS) para avaliar a
prevalência e a letalidade associadas à sepse grave e choque séptico em 2015, foi observada
uma taxa global de letalidade de 55% (Machado et al., 2017).
A distribuição das unidades de terapia intensiva (UTIs) no Brasil foi obtida através da
análise do Censo de UTIs da AMIB, que registrava 1.813 UTIs (com um total de 20.731 leitos
para pacientes adultos) em todas as regiões do país. A mortalidade na Região Sudeste foi de
51,2%, demonstrando ser menor em comparação com as demais regiões (Centro-Oeste com
70%, Nordeste com 58,3%, Sul com 57,8% e Norte com 57,4%). Além disso, a mortalidade em
hospitais vinculados ao sistema público de saúde não diferiu significativamente daquela em
hospitais privados (Machado et al., 2017).
Em uma outra pesquisa mais recente (Carvalho et al., 2021), porém de menor proporção,
em um Hospital Universitário no interior de Sergipe, HUL (Hospital Universitário de Lagarto),

foram acompanhados 48 pacientes entre 2019 e 2020. Do total de pacientes avaliados, 45,8%
(22) evoluíram a óbito.
Como em diversas outras área do conhecimento, na saúde há um grande investimento
em sistemas computacionais. Ainda que hajam diferenças entre o investimento nas diferentes
regiões do País, o intuito é melhorar o atendimento do paciente e mitigar a taxa de mortalidade
(Scheffer et al., 2015).
O problema de pesquisa encontrado é como auxiliar os médicos em sugestão terapêutica,
levando em consideração a individualidade de cada paciente no menor tempo possível, visto
que o tempo para tratamento é fator de extrema relevância para pacientes em quadro séptico.
Após observar estes cenários, questionamo-nos e nos desafiamos a criar uma ferramenta
que pudesse auxiliar os médicos a prescrever tratamentos terapêuticos personalizados e
eficientes para paciente de quadro séptico.

1.5 Objetivos

1.5.1 Objetivo Geral

O presente trabalho tem como objetivo a recomendação terapêutica para pacientes com
quadro Séptico, levando em consideração sua individualidade no que se refere a patogenias
pretéritas que ele possa ter, aplicando o processo de Machine Learning. Para isso, coletamos
dados de um Hospital Universitário situado no interior de Sergipe, visando uma contribuição
segura para a academia, para os profissionais de saúde e para a sociedade de modo geral, a partir
de dados legítimos. Conjecturando o melhor modelo para recomendação terapêutica para
pacientes com quadro séptico, temos como objetivo técnico usar e comparar modelos de
Machine Learning.

1.5.2 Objetivos Específicos

Coletar dados clínicos de pacientes;

Identificar modelos de Machine Learning;

Elaborar algoritmo baseado em Machine Learning para sugestão medicamentosa;

Verificar aplicação da Machine Learning a partir dos dados coletados;

Analisar as etapas que o dado percorre até seu resultado.

1.6 Proposta

Propomos um modelo de Machine Learning que atue como um consultor médico virtual
que, ao analisar os dados de saúde do paciente, possa sugerir antibióticos para tratar quadro
séptico. Queremos que, por conta de sua capacidade de considerar variáveis específicas do
paciente, o modelo possa se tornar uma ferramenta promissora no auxílio à decisão médica,
buscando imitar o processo cognitivo humano ao identificar padrões complexos e correlações
entre as características do paciente e tratamentos mais eficazes. Isso inclui nuances clínicas,
histórico de tratamentos e a possibilidade de resistência bacteriana, personalizando as
sugestões. No entanto, sua eficácia depende de atualizações constantes com informações
médicas relevantes e validações rigorosas para garantir sua confiabilidade no apoio aos médicos
na tomada de decisões clínicas.

1.7 Estrutura do trabalho

A estrutura do presente trabalho desenvolvido objetiva proporcionar uma leitura que
facilite a compreensão e o entendimento do tema abordado. Apresentaremos o capítulo 2 –
Fundamentação Teórica –, que conceituará assuntos necessários ao entendimento do objeto,
proporcionando informações acerca da temática em questão. Dentro da “Fundamentação
Teórica” o leitor poderá entender a conceituação de SEPSE e como ela ocorre, os perigos
inerentes e sua alta letalidade. Falaremos também sobre “Fármacos”, como funcionam as
interações medicamentosas, efeitos e aplicação para cada paciente.
Posteriormente, no capítulo 3, abordaremos o “Relato de Problema”, que demonstrará a
natureza do problema que encontramos, o estado atual na literatura e a necessidade de ser
investigado e resolvido. Veremos, no capítulo 4, a nossa “Proposta”, que conduzirá o leitor a
entender como a Inteligência Artificial tem atuado na área da medicina. Adicionalmente,
falaremos sobre Machine Learning, abordando conceitos, aplicações, funcionamento; e então
entraremos em mais detalhes de algumas técnicas de Machine Learning que foram aplicadas
no presente trabalho, para entendermos como ela pode auxiliar os médicos a prescreverem
terapia medicamentosa para pacientes com SEPSE.
No capítulo 5 elucidaremos o “Experimento”, discorrendo sobre os dados usados nesta
pesquisa, as ferramentas usadas nas aplicações das técnicas de Machine Learning para a criação
de sugestão terapêutica. Também serão abordados o Cenário pensado, Metodologia aplicada e

os Parâmetros para execução. De igual modo, veremos o roteiro de construção do Experimento
e o passo a passo para que ele gere a lista de sugestão terapêutica para o médico.
Após essa leitura será posto para o leitor os “Resultados e Análises”, que descreverá
como alcançamos os resultados presentes nesta pesquisa, da mesma maneira, explanaremos
sobre os achados da pesquisa, verificando quais foram mais relevantes e se mostraram mais
promissores dentro do escopo da pesquisa. Por fim, abordaremos as “Considerações finais”
referentes à pesquisa, expondo nuances e caminhos percorridos até aqui. Registraremos
ameaças que podem validar este trabalho, bem como trabalhos futuros e perspectivas para
novas contribuições para a academia e a sociedade.

2 FUNDAMENTAÇÃO TEÓRICA

Nesta seção será abordada a teoria sobre a qual está fundamentada este trabalho e
conceitos que nortearão o entendimento a respeito do tema. A secção será distribuída em objetos
que tratam de Saúde e Fármacos para propor uma melhor compreensão e entendimento sobre o
assunto.
Nossa intenção aqui não é trazer discussões aprofundadas sobre o conceito de saúde.
Interessamo-nos pelos diálogos que a Saúde e os Fármacos possuem e suas interações frente ao
trabalho de remissão de pacientes.

2.1 Sepse
A resistência de microrganismos (especialmente bactérias) a diversos agentes
antimicrobianos é objeto que exibe forte vínculo com as Infecções Hospitalares (IH). A
obtenção de resistência acontece de forma mais aguda no interior dos serviços de saúde do que
na comunidade. Esse fato se deve à ampla centralização de indivíduos suscetíveis, à facilitação
da difusão pelos procedimentos de trabalho e à decorrência ecológica do uso de antimicrobianos
(Lipsitch; Samore, 2002).
As IH (Infecções Hospitalares), também designadas como “Infecções Relacionadas à
Assistência em Saúde” (IRAS), concebem um grave risco à saúde de populações em todo o
planeta. Entretanto, em pouquíssimas ocasiões elas são abordadas com a devida prioridade em
países em desenvolvimento, onde se reúne a maior parte dos episódios e, por subsecutiva, da
mortalidade e dos efeitos creditados a IH/IRAS (Pittet et al., 2008).
Em uma revisão sistemática achada em Allegranzi et al. (2011), foram identificadas
taxas de IH/IRAS duas a vinte vezes maiores nos países de “média e baixa renda”, se
comparados àqueles situados nos Estados Unidos e Europa Ocidental. A mesma revisão
quantificou taxas de IH/IRAS em unidades neonatais brasileiras, identificando casos nove vezes
superior ao de serviços norte-americanos de propriedade semelhante. Os autores concluem sua
apreciação corroborando que falta, aos países em desenvolvimento, uma política sólida de
desenvolvimento de recursos humanos, retaguarda laboratorial e expertise em análise de dados
epidemiológicos.
A principal causa de morte em hospitais, consoante Burdick et al. (2020), está ligada
diretamente a SEPSE. Que é uma condição potencialmente fatal que surge quando o organismo
tenta dar ao corpo uma resposta para uma infecção, mas essa resposta acaba danificando os

próprios tecidos e órgãos do paciente (Chicco; Jurman, 2020). É uma resposta fora de controle
contra a infecção, que pode levar à falência de órgãos ou até mesmo à morte. Quanto mais cedo
a previsão de que um paciente pode desenvolver um quadro de SEPSE, maior as chances de
vida para ele (Van der Poll et al., 2017). Porém, não é tão fácil predizer essa possibilidade pois
muitos sintomas e sinais apresentados pela SEPSE assemelham-se a outras condições menos
críticas.
A natureza desigual de possíveis insultos infecciosos e a variedade de respostas do
paciente, muitas vezes, faz com que a identificação da SEPSE seja prolixa, tornando seu
reconhecimento tardio, não sendo uma condição uniforme (Chicco, Jurman, 2020; Leligdowicz,
Matthay, 2019). Nos Estados Unidos, SEPSE é a principal causa de mortes em hospitais,
respondendo por quase metade de todas as mortes hospitalares. Além disso, é uma das
condições mais caras para diagnosticar e tratar, estima-se que seu custo em cuidados gire em
torno de US$ 24 bilhões por ano apenas nos Estados Unidos (Rudd et al., 2020). Há estimativas,
de acordo com a Organização Mundial da Saúde (OMS), que sugerem que mais de 49 milhões
de pacientes são diagnosticados com SEPSES ao redor do mundo e 11 milhões de mortes,
anualmente (WHO, [s. d.]). No Brasil a situação de óbitos é ainda maior, segundo uma pesquisa
feita em 2015 (Machado et al., 2017), a taxa de mortalidade no país é de 55% dos pacientes
diagnosticados com SEPSE. Um estudo menor, realizado em um Hospital Universitário do
interior do estado de Sergipe (Carvalho et al., 2021), revela uma taxa de mortalidade de 45,8%
entre os pacientes internados com SEPSE. A condição de SEPSE é altamente sensível ao
tempo, por este motivo é crucial a previsão precoce, para que haja prevenção da mortalidade
do paciente hospitalizado. O diagnóstico e o tratamento de maneira precoce podem atenuar esse
quadro. Baseado nas diretrizes médicas internacionais, é recomendado que a ressuscitação
precoce de fluidos comece nas primeiras 3 horas para poder estabilizar a hipoperfusão do
tecido1 induzido pela SEPSE. É recomendado que a administração intravenosa de
antimicrobianos comece o mais cedo possível, dentro de 1 hora de SEPSE (Rhodes et al., 2017).
É importante notar que a mortalidade em decorrência de SEPSE aumenta
significativamente a cada hora de atraso na administração de antimicrobianos (Ferrer et al.,
2014). A identificação precoce de SEPSE pode ser algo desafiador, já que o manejo da SEPSE
é baseado em abordagem de gestão padronizada e as restrições operacionais na prestação de
cuidados podem levar a taxas de mortalidade altas. Um exemplo de como o tempo pode ser
crucial é demonstrado pela demora de comunicação entre médicos, enfermeiros e
1

Contribui para o desenvolvimento de disfunção celular, a qual pode progredir para disfunção de múltiplos
órgãos e óbito.

farmacêuticos, que eleva o tempo de resposta, agravando a manutenção da SEPSE. Dessa
maneira, a previsão precoce pode dar aos médicos um tempo adicional e decisivo para planejar
e executar planos de tratamento para a SEPSE (Goh et al., 2021).
Normalmente a prática clínica utiliza sistemas padronizados de pontuação, como a
Síndrome de Resposta Inflamatória Sistêmica (SIRS), que apesar do uso prévio e com base em
alguns critérios foi constatado como não específico (Shankar-Hari et al., 2016), o rastreamento
ainda continua sendo usado em muitos ambientes clínicos. Seus critérios são a taquicardia
(configurada por batimentos acima de 90 por minuto), a febre ou hipotermia (temperaturas
acima de 38ºc ou abaixo de 36ºc) e as células de defesa (presença no sangue menor que
1,200/mm3, maior que 4,000/mm3), avaliação sequencial de falência de órgãos (SOFA)
baseada na coleta de sangue e análise detalhada laboratorial (Vincent et al., 1996). O
quickSOFA (qSOFA) é fundamentada no SOFA, mas são colhidos mais rapidamente, tornando
possível a triagem do paciente e redirecionando para outros exames, caso necessário, e o
Sistema de Alerta Precoce Modificado (MEWS) (Subbe et al., 2006) para prever SEPSE ou
mortalidade por infecção.
Os médicos são obrigados a normalizar o lactato (processo da transformação da glicose
em energia para as células quando não há quantidade suficiente de oxigênio), que é uma
importante substância, considerada sinalizadora para o Sistema Nervoso Central, biomarcador
de alterações nervosas e de hipoperfusão tecidual2, com níveis elevados de lactato para a
ressuscitação inicial. Quando um médico suspeita de SEPSE, deve solicitar um ou mais exames
de cultura microbiológica de rotina e exames de lactato antes de iniciar a terapia antimicrobiana
para atenuar o atraso no início do antimicrobianos.
Tabela 1 - Pontuação de avaliação de falha de órgão sequencial rápida (qSOFA)
Sintomas avaliados

Pontuação

Taxa de respiração >=22/min

Mudança no estado mental

Pressão sistólica no sangue <= 100mmHg
Fonte: Adaptado (Marik; Taeb, 2017)

Tabela 2 - Escala pontuação SOFA
Sistema de órgão
Respiratório,
PO2/FiO2, mmHg
(kPa)
2

≥400 (53.3) <400 (53.3)

<300

<200

<100

-40

(26.7) com suporte
respiratório

(13.3) com suporte
respiratório

O lactato alto pode ocorrer por conta da SEPSE e choque séptico, que devido a produção de toxinas pelos
microrganismos há uma diminuição da quantidade de oxigênio que chega aos tecidos.

Coagulação,
plaquetas, × 103 /
mm3

≥150

<150

<100

<50

<20

Fígado, bilirrubina,
mg / dL

<1.2

1.2–1.9

2.0–5.9

6.0–11.9

>12.0

Dopamina 5,1-15
ou epinefrina ≤0,1
ou norepinefrina
≤0,1

Dopamina> 15 ou
epinefrina> 0,1 ou
norepinefrina

Cardiovascular

MAP

Dopamina <5 ou
dobutamina
(qualquer dose)

Sistema nervoso
central, Escala de
Glasgow

13-14

10/dez

06/set

Renal, creatinina,
mg/ dL. Produção
de urina, mL/d

1.2

1.2-1.9

2.0-3.4

3.5-4.9 <500

>5.0 <200

Fonte: Adaptado (Marik; Taeb, 2017)

A prática médica e estudos anteriores mostram que a detecção precoce da SEPSE é
desafiadora (Goh et al., 2021) e os pacientes com SEPSE podem evoluir negativamente de
maneira muito rápida, sendo assim, cada minuto conta no diagnóstico de SEPSE e na
administração de antimicrobianos.

2.2 Fármacos

Buscando proporcionar melhor entendimento do que é proposto neste trabalho, é
importante compreender conceitos sobre fármacos, que ajudarão a compreender detalhes de
elementos/cenários que devem ser considerados em um paciente para ajudar o profissional de
saúde com o direcionamento de melhor sugestão medicamentosa, objetivando maior nível de
efetividade para a cura do paciente.

2.2.1 Quadro Farmacológico
A terapia medicamentosa é um fator que possui várias dimensões, que atinge
diretamente os pacientes e que pode gerar problemas consideráveis como: efeitos adversos
recorrentes e falha no tratamento, por exemplo (Oliveira, 2020). A realidade comum é o uso
concomitante de dois ou mais medicamentos. Essa influência mútua medicamentosa pode
acontecer entre medicamento-alimento, medicamento-medicamento e medicamento-droga,
permitindo que haja efeitos adversos ou deficiência no tratamento. Quando aplicados de forma
concomitante a um paciente, eles podem admitir uma maneira independente ou desempenhar
interação entre eles, com a redução ou acréscimo de implicação terapêutica ou tóxica. Muito

embora exista a possibilidade dos danos, os medicamentos também podem ser eficazes e
favoráveis, tudo depende de fatores como: as circunstâncias de seu uso, o quadro do paciente e
o medicamento em si (Oliveira, 2020).
As reações adversas a medicamentos (RAM) são um dos pontos que coopera com a não
eficiência de tratamentos. Segundo a Anvisa (2020), a definição de RAM é: “qualquer resposta
prejudicial ou indesejável, não intencional a um medicamento, que ocorre nas doses usualmente
empregadas”.
Para que possam atuar de maneira eficaz, os profissionais de saúde necessitam conhecer
o quadro clínico atual e histórico de seus pacientes. Sendo assim, a detecção de conduta não
favorável está diretamente ligada ao impacto de desfechos terapêuticos (Cruz; Macedo, 2016).

2.2.2 Fatores De Risco

O investimento em educação continuada, identificação precoce, infraestrutura, detecção
e início rápido do tratamento é fundamentalmente importante devido aos problemas de saúde
pública a nível global que decorrem da SEPSE (Carvalho et al., 2021). Há, no Brasil, uma
dificuldade a mais, a depender dos recursos disponíveis no serviço público para qualificar e
tratar, da disponibilidade de antibióticos de largo espectro e de profissionais de saúde com
insuficiente ou nenhuma formação formal na lida de pacientes com SEPSE.
Assim sendo, caso haja um quadro de disfunção orgânica sem outra elucidação aceitável
e com foco infeccioso cabível, o diagnóstico de SEPSE é efetivado e o pacote de tratamento
iniciado prontamente após a identificação (Cruz; Macedo, 2016). Devido à incerteza do
diagnóstico em atmosfera hospitalar, realizada de maneira empírica, a terapia para SEPSE
bacteriana leva ao uso abusivo de antibióticos e ao risco de resistência bacteriana. Para reduzir
a resistência bacteriana, uma das táticas mais eficazes é suspender antimicrobianos em casos de
infecções não confirmadas ou pouco prováveis, garantindo a segurança do paciente (Carvalho
et al., 2021).
O número de pacientes imunossuprimidos, idosos, portadores de doenças crônicas
facilitam o desenvolvimento de infecções graves, caracterizando, assim, como fatores de risco
(Instituto Latino-Americano de Sepse, 2015).
De acordo com uma pesquisa de Carvalho et al. (2021), todos os diagnósticos foram
feitos de maneira empírica e as comorbidades mais prevalentes são a hipertensão arterial, a
Diabetes Mellitus, a cardiopatia e a disfunção renal, conforme tabela a seguir:

Tabela 3 - Principais comorbidades apresentadas
PACIENTES

PORCENTAGEM

Hipertensão arterial

23,86%

Diabetes Mellitus

21,54%

Insuficiência Cardíaca/ Cardiopatia

14,61%

Disfunção Renal

10,77%

Problemas pulmonares (DPOC, ex-tabagista, asma)

5,38%

Doenças psiquiátricas (Alzheimer, Síndrome demencial,

5,38%

AVE

3,84%

Neoplasia

2,31%

Disfunção hepática

2,31%

Ausência de comorbidade

0,77%

Outros: Síndrome de imobilidade, hipotireoidismo, dislipidemia,

9,23%

Transtorno de humor)

úlcera gástrica, convulsão, febre reumática, ex-etilista,
deficiência visual, hemiplegia, anemia, gastrite, encefalopatia

Fonte: Carvalho et al. (2021)

Como complicações mais prevalentes, justificando motivo inicial de internação
hospitalar, foram destacados os problemas de cunho respiratórios, como pneumonia e
insuficiência respiratória, como visto na tabela abaixo:

Tabela 4 - Relação motivo de internação hospitalar
FREQUÊNCIA

PORCENTAGEM

Problemas Respiratórios

29,2%

Sepse/septicemias

12,5%

RNC – Rebaixamento do Nível de Consciência

12,5%

Cetoacidose diabética

6,3%

AVE – Acidente Vascular Encefálico

6,3%

Desconforto abdominal, Abdome agudo

6,3%

Insuficiência renal ou Infecção do trato urinário

6,3%

Lesão cutânea, abscesso cutâneo, celulite,

6,3%

Insuficiência ou doença hepática

4,2%

Desconforto torácico

4,2%

Transtorno mental e comportamental

2,1%

Artrite piogênica, osteomielite

2,1%

Hemoptise

2,1%

obstrutivo, diarreia

furúnculo

Fonte: Carvalho et al. (2021)

Em pacientes de risco, um elevado apontador de suposição deve ser mantido. Em
pacientes suspeitos, deve-se considerar histórico detalhado, exames físicos e laboratoriais
realizados constantemente. Todos os dados são importantes para situar a apresentação e a
origem da SEPSE. Demonstrando, assim, que outros fatores como patogenias preexistentes
devem ser consideradas ao cuidar de um paciente com quatro clínico de SEPSE (Armstrong;
Betzold; May, 2017).

2.3 Inteligência Artificial
Neta seção abordaremos conceitos de IA que foram empregados nessa pesquisa e que
nortearão o leitor no que diz respeito à Inteligência Artificial e sua aplicação, sobretudo, para
área médica.

2.3.1 Inteligência Artificial na Medicina

A Inteligência Artificial, consoante Russell e Norvig (2013), é um ramo da ciência da
computação, cujo alvo é fazer com que os computadores “pensem” ou se comportem de forma
inteligente, similar à humana. Ela tem se mostrado uma ferramenta3 que pode ser aplicada nas
mais diversas áreas que afetam diretamente a vida das pessoas.
A literatura organiza as abordagens da IA em duas extensões: processo de
pensamento/raciocínio e comportamento. Sobre o processo de pensamento/raciocínio é
definido como o esforço de tentar fazer com que os computadores pensem como seres humanos,
algo como o aprendizado ao longo do tempo e, em decorrência desse aprendizado, sejam
capazes de tomar decisões e de resolver problemas, podendo perceber o ambiente a sua volta,
raciocinando e interagindo com ele. Por outro lado, o comportamento está intrinsicamente
ligado à maneira como se espera que os computadores tenham um melhor desempenho em
tarefas que hoje são desenvolvidas por humanos, tendo uma performance inteligente e superior
aos realizados por estes.
Para o conhecimento, percepção, aprendizagem, solução de problemas, planejamento e
raciocínio, a Inteligência Artificial precisa de algoritmos. Pode-se dizer que um dispositivo
dotado de Inteligência Artificial tem a competência de deliberar pela melhor entre opções

Dr. Dario Gil, vice-presidente de IA da IBM RESEARCH defende que a IA é uma ferramenta a ser utilizada por
humanos.

preestabelecidas, sendo estas opções preestabelecidas enriquecidas invariavelmente pelo
próprio sistema. Uma propriedade da Inteligência Artificial é o “aprendizado” do sistema pelo
aumento do banco de informações.
Um dos exploradores do estudo de Inteligência Artificial na área médica, Bleich (1969),
expôs a possibilidade de influência do equilíbrio hidroeletrolítico de pacientes por meio de
atuações de um sistema computadorizado. É a metodologia de se empregar sistemas
computacionais mirando amparar e agilizar a administração dos serviços de saúde, cuidados
clínicos, investigação médica, tratamento e treinamento (Hobbs, 2001). Esse cenário exige o
bom emprego das tecnologias de computação, como a mineração de dados e de comunicações,
para otimizar o processamento de informações em saúde em todas as fases, como a coleta,
armazenamento, recuperação efetiva (no seu devido tempo e lugar) e exame, e auxílio à decisão
para os administradores, médicos, pesquisadores e educadores na medicina. O uso da
Inteligência Artificial na prática médica tem se tornado crescente. Está cada vez mais comum
o uso de dispositivos em rotinas assistenciais. Estes dispositivos unidos ao paciente auxiliam
no monitoramento de apontadores metabólicos como níveis de pressão arterial, taxas de
glicemia e ritmo cardíaco.
Dispositivos para monitoramento cardíaco acoplados com desfibrilador subcutâneo
podem provocar atuações automáticas, como, por exemplo, oferecer uma descarga elétrica, para
que aconteça resposta à normalidade dos batimentos cardíacos (Bleich, 1969). No
monitoramento de coeficientes glicêmicos sanguíneo podem provocar atuações automáticas de
aplicação de insulina em circunstâncias que possam afetar a vida do paciente. A Inteligência
Artificial tem sido empregada em sistemas de prontuários eletrônicos hospitalares e está
tornando a dispensação de medicamentos mais segura. Estes softwares, ao realizarem
intersecções da prescrição médica com dados do paciente, impedem interações ou doses
inapropriadas, fazendo com que a prescrição medicamentosa seja segura.
O Watson Health, sistema computacional desenvolvido pela IBM ([s. d.]), está mudando
positivamente o tratamento do câncer. Isto graças à admirável quantidade de dados médicos
acrescidos dos mais importantes núcleos de pesquisa e tratamento de câncer no mundo (IBM,
[s. d.]). Por meio do processamento destes dados, é possível alcançar a estimativa de risco e
desenvolvimento de pacientes com câncer. O Watson Health sugere condutas associadas às
probabilidades de sucesso baseado na análise do amplo número de casos armazenados com
diagnósticos, tratamentos efetivados e resultados adquiridos.
O sistema de oncologia da IBM vem sendo usado em algumas instituições de saúde dos
EUA. Mas não é unicamente no tratamento oncológico que o Watson Health está sendo

empregado. Na tentativa de identificar medicamentos eficazes por meio de experimentos
clínicos em alterações genômicas conferidos com a literatura médica, foi desenvolvida a
plataforma Watson Genomics para auxiliar os estudos. Existe, nos Estados Unidos, o projeto
NCI-MATCH (National Cancer Institute, 2022a), programa de pesquisa em câncer realizado
pelo Instituto Nacional de Câncer, independentemente do tipo de câncer, conhecido como
MATCH, que se refere a um experimento clínico sobre o câncer. No presente e mais ainda no
futuro, a medicina certamente necessitará ponderar a eficácia medicamentosa em condições
específicas.
A Medicina de Precisão (Precision Medicine Iniciative) está em andamento nos Estados
Unidos, por meio de um programa que prevê colocar uma base de dados genéticos de um milhão
de pessoas para aferir a eficácia de drogas (National Cancer Institute, 2022b). O conceito de
Medicina de Precisão tem como base de estratégias a prevenção e tratamento que consideram a
individualidade variável/personalizada de acordo com a anamnese e histórico do paciente. Esta
apreciação na medicina não é nova, mas a perspectiva de se dedicar largamente esse conceito
foi, de maneira drástica, aperfeiçoada pelo recente desenvolvimento de bancos de dados
biológicos de grande escala (o sequenciamento do genoma humano). Para este tipo de trabalho,
as plataformas computacionais são a base para analisar grandes conjuntos de dados.
O uso de tecnologia adotada pela área da saúde inclui próteses, máquinas, equipamentos
para diagnóstico e intervenção, prontuários, comunicação, entre outros, inclusive a produção
artificial de células humanas. E estes avanços tornaram-se expressivos com a introdução da
informática e dispositivos cada vez mais sofisticados, que trazem como benefícios a rapidez no
diagnóstico e tratamento de doenças (Bleich, 1969).
A fim de aperfeiçoar a qualidade de tomadas de decisões clínicas por parte de seus
profissionais, a área de saúde mostra-se um terreno altamente propício para que a IA seja
aplicada. E isto é possível devido a algumas situações que são favoráveis a isso (Bleich, 1969),
como a fartura de dados crescentes, diversas possibilidades de aproveitamentos práticos e o
rápido desenvolvimento de métodos de análise de Big Data (que ajudam a desvendar
informações importantes e latentes). Estima-se que uso da IA permite a diminuição de custos e
a ampliação da eficiência na gestão do processo clínico (Long et al., 2017), além de evitar
desperdício de tempo, reduzir o tempo de espera e aumentar a velocidade da prestação de
serviços da saúde (Dyas et al., 2015).
Em uma pesquisa realizada em 2015 (Miotto et al., 2016) feita com um programa de IA,
Deep Patient, com dados de aproximadamente 700.000 pacientes, quando aplicado aos novos
dados resultaram predição de doenças que superaram em muito as expectativas (Knight, 2017).

Sem qualquer instrução especial, descobriram-se padrões ocultos nos dados e pareceu advertir
a disposição dos sujeitos a desenvolver um vasto tipo de doenças, por exemplo, o cancro de
fígado. Surpreendentemente (para os programadores), foi capaz de antecipar doenças
psiquiátricas, como a esquizofrenia, uma vez que esse distúrbio é de difícil diagnóstico. A
investigação foi descontinuada, tendo em vista que os investigadores não entenderam o padrão
de acerto do programa, portanto, não conseguiriam elucidar quando eventualmente errasse
(Knight, 2017).
A IA pode ser aplicada a vários tipos de dados de saúde (Jiang et al., 2017):
Não estruturados: incluem o deep learning, constam no processamento de linguagem
natural de dados desestruturados.
Estruturados: incluem a técnica do machine learning, como, por exemplo, os sistemas
de redes neurais.
Na prática clínica, a IA tem achado espaço para produzir implicações bastante concretas
no apoio à efetivação de juízos de prognose, sugestão de diagnósticos e prescrição de
tratamentos no âmbito de díspares especialidades médicas (Topol, 2019).

2.4 Machine Learning

O Machine learning é um algoritmo computacional (Ertel, 2017) de análise de dados
para a constituição de modelos analíticos, representando um dos principais pilares da
Inteligência Artificial. Esta programação se alicerça no conceito de que o sistema
computacional pode tomar decisões, aprender com dados e identificar padrões com o mínimo
de intervenção humana. A “máquina” pode ser ator principal no seu aprendizado e capaz de se
adaptar sem interferência humana quando exposta a novos dados.
Os algoritmos de Machine Learning operam ao buscar aprender com extensos conjuntos
de dados, independentemente de sua estrutura, visando identificar padrões que possam ser
aplicados tanto em classificações quanto em regressões. Nesse modelo, a estatística é bastante
empregada, sendo uma divisão da matemática que emprega teorias probabilísticas para a
esclarecimento de eventos, de estudos e de experimentos (Carrilho Junior, 2007). O seu alvo é
obter, organizar e analisar dados, determinar suas correlações e extrair delas suas implicações
para exposição e explicação do passado, assim como prever e organizar o futuro, por exemplo,
seu uso na categorização de textos de acordo com o contexto.
Considere que o Machine Learning é uma abordagem da aprendizagem em que uma
máquina, por meio de um método indutivo, constrói um classificador, aprendendo a partir de

um conjunto de exemplos pré-classificados (Feldman; Sanger, 2007). Isso constitui em aprender
as características das categorias de uma classe de dados de treinamento pré-classificado na
nomenclatura de aprendizagem e o seu método de aprendizagem é uma instância de
aprendizagem supervisionada. A maior parte dos trabalhos atuais sobre classificação está
concentrada na abordagem da aprendizagem de máquina, que necessita de apenas um conjunto
de instâncias de treinamento, que precisa ser feito de maneira manual e não é muito difícil de
produzir (Feldman; Sanger, 2007). Há várias abordagens do classificador de aprendizagem,
alguns deles são criados especificamente para categorização, enquanto outros são variantes de
algoritmos mais gerais.
Os objetivos e metas a serem alcançados são definidos na etapa da identificação do
problema. Para isso, os dados necessitam ser pensados de maneira muito sólida pois seu
resultado será usado nas etapas seguintes e o sucesso depende dos conjuntos de dados
selecionados e das metodologias aqui aplicadas.
Tendo como finalidade preparar essas informações selecionadas para a fase de
mineração de dados, aplicando o pré-processamento nos dados (Feldman; Sanger, 2007), é
necessário o uso de vários métodos que possibilitam extração e integração, transformação,
limpeza, seleção e redução de volume destes dados, mas de maneira que o sentido e o valor dos
dados não sejam alterados.
A extração de conhecimento, que ocorre na fase de mineração de dados, é feita a partir
de grandes volumes de dados, valendo-se das tecnologias derivadas dos “bancos de dados,
inteligência artificial, aprendizado de máquina, redes neurais, estatística, reconhecimento de
padrões, sistemas baseados em conhecimento, recuperação de informação, computação de alto
desempenho e visualização de dados” (Morais; Ambrósio, 2007). Para esta finalidade,
conforme Morais e Ambrósio (2007), são utilizados algoritmos apropriados, que poderão ser
aplicados reiteradas vezes para o melhor entendimento e objetivando responder os
questionamentos levantados na identificação do problema.
A fase de pós-processamento baseia-se no exame de qualidade da grande quantidade de
modelos descobertos na etapa de mineração de dados. Considerando este cenário, o
conhecimento extraído necessita ser analisado e fundamentado em medidas de qualidade e
desempenho, elegendo o que é importante, relevante ou interessante ao usuário. A partir de
então, será analisado todo o procedimento que gerou o volume de informações. Caso seja
detectado que não está aceitável/suficiente, é preciso que seja repetido todo o processo, para
que novos dados sejam trabalhados de novas maneiras, na procura dos objetivos propostos no
início (Morais; Ambrósio, 2007).

Existem algumas técnicas usadas em Machine Learning para trabalhar os dados.
Abordaremos de maneira superficial o Aprendizado Não Supervisionado, pois, por causa da
natureza do problema, a técnica de Aprendizado Supervisionado se mostra mais propícia a
resolução. Com relação a isso, Paixão et al. (2022) aborda a diferença primordial entre os
modelos de aprendizagem com supervisão e sem supervisão reside no método de treinamento.
Nos casos de aprendizado não supervisionado, o modelo de aprendizado de máquina extrai as
características dos dados e constrói uma representação sem ter conhecimento prévio sobre os
rótulos associados a cada conjunto de dados.
Em outras palavras, ele identifica heuristicamente os padrões nas informações de classe.
E essa ausência de supervisão para o algoritmo pode ser benéfica, permitindo que ele analise
padrões previamente não considerados. Diferentemente da abordagem supervisionada, que
versaremos a seguir.

2.4.1 Aprendizado Supervisionado

No aprendizado supervisionado, segundo Paixão et al. (2022), o modelo de aprendizado
de máquina possui conhecimento dos rótulos atribuídos aos dados, o que significa que as
amostras estão devidamente classificadas. O processo de treinamento é baseado na comparação
entre os resultados obtidos pelo modelo e os rótulos pré-classificados. Esse procedimento é
repetido até alcançar um nível mínimo de erro. São exemplos de classificação supervisionado:
KNN, Regressão Logística, Árvore de Decisão, Naive Bayes, Random Forest, Gradient
Boosting e Neural Network.

2.4.1.1 KNN (classificado como supervisionado)

Apesar de termos apresentado anteriormente o KNN como não supervisionado, o
algoritmo de K-Nearest Neighbors (KNN) representa uma abordagem de aprendizado
supervisionado. A metodologia de classificação se concentra na identificação de grupos de
indivíduos que compartilham características semelhantes, seguida pelo agrupamento
subsequente (clustering) (Rosa, 2003). Em linhas gerais, o conceito central envolve determinar
o número (K) de exemplos rotulados mais próximos ao exemplo não classificado. Com base
nos rótulos desses exemplos mais próximos, a decisão sobre a classe do exemplo não rotulado
é tomada (Ferrero, 2009).

A escolha do valor de K (o número de vizinhos mais próximos considerados pelo
algoritmo) é deixada para o usuário, sendo aconselhável optar por um número ímpar para evitar
empates na classificação. Se duas classes, A e B, apresentam vários pontos em seus domínios,
quando um ponto desconhecido x é considerado, a classificação desse ponto é determinada pela
quantidade de pontos cujas distâncias são as menores possíveis em relação às classes A e B
(Rosa, 2003).

2.4.1.2 Regressão Logística

A Regressão Logística, de acordo com Belfiore (2015), é um método estatístico que visa
criar um modelo a partir de um conjunto de dados, permitindo a previsão dos valores de uma
variável categórica, frequentemente binária. Esse modelo é gerado a partir de variáveis
independentes contínuas e/ou binárias.
Com base nesse modelo, é viável calcular ou antever a probabilidade de um evento
acontecer, considerando uma observação aleatória. Esse método permite:
-Modelar a probabilidade de um evento conforme os valores das variáveis
independentes, sejam elas categóricas ou contínuas;
- Prever o impacto do conjunto de variáveis na variável categórica dependente;
- Estimar a probabilidade de um evento ocorrer em comparação com a probabilidade de
não ocorrer para uma observação escolhida aleatoriamente;
- Classificar observações ao estimar a probabilidade de uma observação pertencer a uma
categoria específica.

2.4.1.3 Árvore de Decisão / Decision Tree
As Árvores de Decisão são reconhecidas como uma das maneiras mais simples de
desenvolver algoritmos de aprendizado (Samuel, 1959; Mitchell, 1997). Os modelos de
regressão e de classificação baseados em árvores de decisão podem ser utilizados como uma
opção viável ou como complemento a outros métodos estatísticos, como regressão,
agrupamento e classificação de dados univariados e multivariados. A simplicidade na
construção e interpretação desses modelos figura como um dos atrativos distintivos desse
algoritmo (Samuel, 1959; Mitchell, 1997).
Os métodos das árvores de decisão empregam regras para dividir os dados, por exemplo,
baseiam-se em regras binárias para a partição dos dados (Breiman, 2001). Em modelos

fundamentados em uma estrutura de árvore, o primeiro nó é denominado raiz e, por convenção,
encontra-se no topo da árvore. A partir da raiz, são gerados ramos sucessivos que se conectam
a outros nós, denominados nós internos e essas conexões persistem até alcançar um nó terminal,
também conhecido como folha.

2.4.1.4 Naive Bayes
Conforme mencionado por Panda e Patra (2008), o algoritmo de Naive Bayes é uma
extensão do Teorema de Bayes operando sob a premissa da independência entre atributos. A
facilidade de implementação e a ausência da necessidade de esquemas complexos de estimação
de parâmetros iterativos tornam o modelo prontamente aplicável a conjuntos extensos de dados.
Panda e Patra (2008) destacam a robustez e a facilidade de interpretação do modelo, destacando
que geralmente obtém bons resultados, embora não seja necessariamente o classificador ideal
em todas as aplicações.
Em Amudha e Rauf (2011), encontramos uma definição mais detalhada, descrevendo o
classificador Naive Bayes como um dos métodos de aprendizagem amplamente utilizado para
prever as probabilidades de pertencimento de instâncias a uma classe específica. Este método
presume a independência condicional de classe e se fundamenta no Teorema de Bayes.

2.4.1.5 Random Forest
O algoritmo Random Forest se configura como uma técnica de classificação em
conjunto. Consoante Amudha e Rauf (2011), esse método envolve a construção de múltiplas
árvores de decisão binárias, sendo que a predição da classe para cada nova instância é
determinada pela maioria das predições de classe provenientes do conjunto de árvores.
Notavelmente, neste método, os atributos escolhidos em cada nó interno e os registros
selecionados para o crescimento de cada árvore diferem do procedimento padrão de conjunto.
De acordo com Kulkarni e Lowe (2016), a geração de cada árvore na Random Forest
segue o seguinte processo: a partir de um conjunto de treinamento, um subconjunto aleatório é
compilado e utilizado para a construção da árvore. Além disso, destaca-se que a taxa de erro da
floresta pode ser avaliada por meio de uma métrica rápida, utilizando dados Out-Of-Bag (OOB).
No entanto, é possível também inserir um conjunto de casos de teste na floresta para obter uma
taxa de erro adicional.

2.4.1.6 Gradient Boosting
O método Gradient Boosting é caracterizado pela generalização para problemas tanto
de classificação quanto a problemas de regressão, combinando as previsões de um conjunto de
classificadores fracos, cuja taxa de erro é ligeiramente inferior a de uma classificação aleatória
(Hastie; Tibshirani; Friedman, 2008). Seu objetivo principal, dada uma função perda e um
algoritmo base, é identificar um modelo aditivo que minimize a função perda (Kuhn; Johnson,
2013).
Na forma mais simples do método Gradient Boosting, ele é tipicamente inicializado por
um modelo associado ao melhor palpite para a resposta de interesse como a média. Os resíduos
são então calculados e um algoritmo base é aplicado a esses resíduos, que representam a
resposta de interesse. Este algoritmo base ajusta um modelo que minimiza uma determinada
função perda. Esse modelo é adicionado ao anterior para atualizar o valor predito e esse
processo continua até que um número pré-especificado de iterações seja alcançado (Kuhn;
Johnson, 2013).
Embora o método Gradient Boosting possa ser aplicado a vários algoritmos, a árvore de
decisão é frequentemente escolhida como algoritmo base devido à sua capacidade de ser usada
como um classificador fraco, construindo uma árvore com poucas divisões (profundidade
reduzida) (Kuhn; Johnson, 2013). Nesse contexto, um Gradient Boosting básico apresenta dois
hiperparâmetros: a profundidade da árvore, relacionada ao número de divisões em cada árvore,
e o número de iterações, “m”, diretamente relacionado ao número de árvores no modelo
boosting final, ambos podendo ser otimizados por validação cruzada k-fold (James et al., 2014;
Kuhn, Johnson, 2013).

2.4.1.7 Neural Network
As redes neurais constituem um método de aprendizado de máquina amplamente
aplicado em diversas áreas, como reconhecimento de voz, reconhecimento de padrões,
diagnósticos médicos e detecção de fraudes (Abiodun et al., 2018).
Essas redes fundamentam-se na utilização de muitos elementos de processamento
interconectados, denominados neurônios. O termo “neural” é adotado devido à semelhança
funcional entre uma rede neural e o cérebro humano, ambos capazes de aprender a realizar
tarefas por meio de exemplos (Abiodun et al., 2018).

A estrutura de uma rede neural consiste na organização dos neurônios em camadas
interconectadas. Geralmente, há uma camada de entrada que contém a informação a ser
processada pela rede, seguida por camadas ocultas responsáveis por extrair informações
relevantes. Por fim, existe uma camada de saída que representa o resultado da rede como um
todo. Normalmente, um neurônio em uma camada está conectado a todos os neurônios da
camada anterior.
Com o intuito de evitar viés na avaliação de uma rede neural, os dados são divididos em
três categorias: dados de treinamento, empregados no aprendizado dos parâmetros da rede;
dados de validação, utilizados para comparar diferentes configurações durante o treinamento
(como variações no número de camadas ocultas); e dados de teste, empregados para a avaliação
final da rede escolhida com base nos dados de validação (Ripley, 1996).

3 PROPOSTA

Ao interagir com os dados de saúde do paciente, o modelo de Machine Learning age
como um consultor médico virtual, desta maneira, sugerindo ao médico uma listagem de
antibióticos para tratamento de quadro séptico de seu paciente. A capacidade de considerar
variáveis específicas do paciente torna esse modelo em uma ferramenta promissora no suporte
à decisão médica, embora ainda precise ser continuamente aprimorado e validado para garantir
a confiabilidade e eficácia clínica.
O modelo busca imitar o processo cognitivo, identificando padrões complexos e as
correlações entre as características do paciente e os antibióticos, buscando tratamento mais
eficiente para infecções sépticas. Essas considerações devem refletir características clínicas
sutis do paciente, respostas anteriores de outros tratamentos e até mesmo a probabilidade de
resistência bacteriana, dessa maneira, personalizando e adaptando a sugestão ao quadro
específico de cada paciente.
Entretanto, a eficácia de modelo depende de constantes atualizações com informações
clínicas relevantes. A integração contínua de novos conhecimentos médicos e validação
rigorosa das sugestões são fundamentais para assegurar que o modelo seja uma ferramenta
confiável no apoio à tomada de decisões para auxílio aos médicos.
3.1 Descrição de Relato de Problema

Nesta seção abordaremos como funciona o uso de dados de prontuário visando à
otimização para o melhor tratamento de um paciente com quadro de SEPSE.
3.1.1 Prontuário

Um importante ponto desta documentação é o prontuário do paciente, apontamento
definido pelo Conselho Federal de Medicina (CFM), no Artigo 1º da Resolução de nº
1.638/2002, como sendo
[...] o documento único constituído de um conjunto de informações, sinais e imagens
registradas, geradas a partir de fatos, acontecimentos e situações sobre a saúde do
paciente e a assistência a ele prestada, de caráter legal, sigiloso e científico, que
possibilita a comunicação entre membros da equipe multiprofissional e a continuidade
da assistência prestada ao indivíduo (Brasil, 2002).

Trata-se de um documento multidisciplinar (Pinto, 2014) que acompanha o histórico do
paciente e é bastante abrangente devido aos vários tipos de profissionais (como médicos,
fisioterapeutas, enfermeiros) que minutam elementos e acessam seus teores ali registrados.
Dentro do prontuário do paciente é importante que tenha toda e qualquer informação
alusiva à saúde e ao histórico de um paciente. Ele deve ser singular, universal e disponível para
os mais díspares alvos (profissionais de saúde que estejam cuidando do paciente, pesquisadores,
por exemplo), tendo em vista que seu armazenamento deve ser fornecido de modo a garantir a
proteção e o sigilo de seu conteúdo. Nos casos de pesquisas médicas, ou áreas correlatas, é
salutar a facilitação de acesso, fornecendo subsídios confiáveis a respeito do pesquisado. Assim
sendo, podemos inferir que em um prontuário “todas as informações relativas a uma pessoa
doente e às ações de cuidados e tratamentos a ela dispensados, a fim de que seja possível
gerenciar o curso da patologia identificando os sintomas, causas e os remédios para solucionálos” (Pinto, 2014).
A quantidade de grupos e profissionais que normalmente acolhem um paciente,
especialmente se internado, é muito alta (Pinto, 2014). Do mesmo modo como todas as
influências mútuas ocorrem na procura de resolver a dificuldade desse paciente, o prontuário é
percebido como o ponto principal de conversação entre os membros envolvidos e a
configuração de registro que posteriormente, acatando as legislações vigentes, será guardado e
resguardado do acesso impróprio.
Na saúde, consoante Tavares et al. (2012), os cuidados acerca de um paciente
compreendem diferentes áreas de formação, atendendo tanto o campo de humanas como serviço
social e psicologia, assim como os cursos de saúde: medicina, fisioterapia, enfermagem,
nutrição, terapia ocupacional, entre outros. Logo, admitindo o contato de diferentes formações
de profissionais com o paciente, todo esse intercâmbio deve estar, de modo pleno, documentado
em seu prontuário, significando que toda e qualquer interação tem a sua importância, porém
todas fazem parte de um sistema informacional maior. O prontuário do paciente é considerado
multidisciplinar (Pinto, 2014), ainda que a decisão sobre o diagnóstico do paciente decorra do
médico. Ao redor do médico há um grupo cujas tarefas são dispostas de forma a acolher todas
as necessidades de cuidados do paciente e a satisfazer as disposições desse médico para prover
o melhor tratamento. Estes profissionais, em suas mais diversas interações, produzem dados e
informações que, mesmo particularmente em cada especialidade, podem cooperar com o
diagnóstico e com a constituição do histórico, mas, nesse aspecto, o paciente é visto como algo
maior, se comparado a cada área isolada. Há uma soma de todas elas.

Caso a pessoa não possua um prontuário, tudo se inicia com a abertura do prontuário,
logo, a partir de subsídios preexistentes, o profissional de saúde pode ter conhecimento do
histórico do paciente ou de suas queixas recentes e, em seguida, dar início ao processo de
apontamento das informações. Nele, todos os profissionais precisam explicar os procedimentos
e exames conforme a legislação, podendo ser por meio eletrônico, de preferência, ou papel, de
acordo com cada instituição de saúde. Para representar o modelo de assistência ao paciente e
os métodos envolvidos durante um único atendimento veremos o esquema a seguir (Figura 1):

Figura 1 - Modelo de assistência ao paciente

Fonte: Adaptado (Carvalho, 2017)

O prontuário tem em seu desígnio o escopo de prover muitas benfeitorias que podem
ser alcançadas, caso um profissional de saúde tenha acesso ao histórico de saúde do paciente.
Conforme exposto por Possari (2007), muitos podem se beneficiar deste ato, destacando aqui
exemplos destes benefícios:
Para o paciente – Os dados coletados e guardados possibilitariam atendimento,
descoberta do diagnóstico e tratamento mais rápido, eficiente e econômico. Em caso de
transferência, permite uma melhor comunicação entre as equipes das clínicas envolvidas,
possibilitando a sequência do tratamento. Os registros em seu prontuário podem simplificar seu
atendimento, dispensando maiores questionamentos ou até mesmo alguns exames, o que
poderia reduzir o custo de seu atendimento e melhorar o aproveitamento do tempo desse

atendimento. Em caso de algum problema, pode ser considerado como prova a respeito do
atendimento para todos os envolvidos.
Para o hospital – Melhores prontuários permitem menor tempo de internação e melhor
utilização das vagas, aumentando o faturamento para o hospital. Evita a repetição de exames e
serviços médicos. Serve como prova de todo o atendimento em caso de processos e acusações
por motivos de negligência, imprudência ou imperícia. Serve para entender os resultados
alcançados e o padrão de atendimento que foi prestado.
Para a equipe de saúde – Permite a integração e intercomunicação entre os
profissionais que prestam atendimento, com a finalidade da continuidade da prestação dos
serviços. Contribui para a análise da evolução do tratamento, verificando quais condutas obtêm
melhores resultados e se o problema, origem do atendimento, foi sanado.
Para o ensino e pesquisa – Possibilita o conhecimento de casos antecedentes de uma
enfermidade e suas informações, facilita o estudo do diagnóstico. É campo para pesquisa,
fornecendo dados como incidências, prevalências, morbidade e mortalidade, além de permitir
a comparação de condutas terapêuticas e verificar se foram efetivas.
De acordo com o que foi demonstrado até aqui, é possível verificar a necessidade de
construir diálogos entre a Informática e a Saúde na perspectiva do acesso à informação do
paciente para prover, da melhor maneira possível, sua saúde. Estes diálogos podem cooperar
para as tomadas de decisões por parte dos médicos, dos enfermeiros, dos fisioterapeutas, dentre
outros profissionais da saúde, para políticas públicas de saúde e outros. Vale ressaltar que em
tempos de explosão e exploração de informações dessa área, elas precisam ser acessadas a quem
de direito, com qualidade e segurança.

3.2 Trabalhos relacionados

Com a evolução tecnológica crescente nas mais diversas áreas do cotidiano humano, a
área da saúde vem se mostrando um campo bem receptivo e com largo espaço para ser
pesquisado, principalmente no que concerne a sugestão de prescrição terapêutica
medicamentosa. Begum et al. (2011) exploram uma pesquisa abrangente sobre os mais recentes
avanços na aplicação de técnicas de Inteligência Artificial (IA) na área da saúde. Dos 34
sistemas analisados por eles, apenas 12 incluem planejamentos terapêuticos como um de seus
objetivos. Notavelmente, entre esses 12, apenas 3 sistemas são totalmente dedicados a essa
finalidade específica. Isso evidencia uma atual tendência no desenvolvimento de sistemas com
propostas multifacetadas, conforme ilustrado no gráfico apresentado na Figura 2:

Figura 2 - Desenvolvimento de sistemas por finalidade

Fonte: Begum et al. (2011)

A abordagem adotada neste trabalho parte do pressuposto de que o diagnóstico do
paciente já tenha sido estabelecido, SEPSE, concentrando-se, assim, no desenvolvimento do
planejamento terapêutico para o tratamento da condição atual do paciente. Neste sentido,
buscou-se na literatura soluções que se enquadrassem nesse contexto e um em particular merece
ser destacado.
Foi encontrado um trabalho intitulado “Apoio à Decisão com Base em Casos para
Pacientes com Diabetes Tipo 1 em Terapia com Bomba de Insulina”, de Marling, Shubrook e
Schwartz (2008), que destaca um sistema inovador à época, responsável pela gestão diária da
dose de insulina necessária para indivíduos que enfrentam Diabetes Tipo 1 e utilizam a bomba
de infusão de insulina. Diariamente, o paciente registra seu nível de glicose atual por meio da
Web. Com base nesse dado e na compreensão dos hábitos do paciente, o sistema consulta sua
base de conhecimento em busca de situações semelhantes e, então, oferece ao médico opções
de doses terapêuticas empregadas em contextos comparáveis, visando uma possível
recomendação ao paciente (Marling; Shubrook; Schwartz, 2008). Este sistema propõe ajustes
na dosagem de insulina com base no nível de glicose e em eventos ou circunstâncias
comunicadas pelo paciente.
Mais recentemente, encontramos um trabalho (Datorre, 2017) que fala sobre a
implementação conjunta de programas de computador para prescrição, juntamente com um
sistema cooperativo que visa desenvolver um sistema colaborativo de prescrição de
medicamentos. O sistema do trabalho em questão possibilita a automação de processos
relacionados à gestão de prescrições médicas.

Há ainda um outro trabalho (Teles, 2022) em que é proposto o desenvolvimento de um
protótipo para um sistema de apoio à decisão clínica no campo da oncologia, denominado
SiReMA. Trata-se de um sistema de recomendação de medicamentos anticancerígenos.
Porém, ao realizar a pesquisa bibliográfica, não foi identificada nenhuma solução que
se propusesse a contribuir integralmente com o que estamos apresentando. Encontram-se
apenas sistemas que compartilham alguns aspectos de funcionamento, aplicação de técnicas ou
objetivos semelhantes aos delineados neste trabalho. Uma característica distintiva deste estudo
é a incorporação de dados reais provenientes da rotina hospitalar.
3.3 Relevância
Conforme demonstrado ao longo deste capítulo, conseguimos observar que Inteligência
Artificial pode ser uma grande aliada para dar suporte a profissionais de saúde, sobretudo o
médico, no que concerne ao auxílio da criação de uma sugestão medicamentosa personalizada
para um paciente. Vimos também que há diversas técnicas de Machine Learning que podem
ser adotadas na elaboração de um algoritmo que possa executar esse apoio, mitigando
problemas de interações medicamentosas e potencializando as chances de remissão para o
paciente.
Não obstante, potencialmente, o sucesso desse algoritmo pode levar a três resultados
importantes: a redução de custos por parte dos hospitais, considerando os valores investidos na
recuperação de um paciente com SEPSE; a contribuição com novo conhecimento gerado; e por
último, mas não menos importante, a quantidade de vidas que podem ser salvas diretamente.

4 EXPERIMENTO

Nesta seção está descrita a metodologia de experimento do trabalho desenvolvido.

4.1 Metodologia

A abordagem adotada por este trabalho caracteriza-se como pesquisa-ação
demonstrando caráter duplo: pesquisa e ação. O seu objetivo é caracterizado pela pesquisa como
ferramenta para ampliação do conhecimento científico do pesquisador (Thiollent, 1986). Já a
ação é uma proposta de ferramenta feita pelo pesquisador com base no conhecimento adquirido
em sua pesquisa, objetivando uma melhoria para a comunidade acadêmica e a sociedade em
geral onde a pesquisa é feita.
Neste tipo de abordagem, o pesquisador explora processos complexos. O enfoque do
pesquisador está em compreender o problema e em suas ações empreendidas deve gerar
resolução dentro de um ambiente real específico, contribuindo para a geração de conhecimento
científico associado às teorias que fundamentam a pesquisa. O posicionamento do pesquisador
não é de um observador, mas de um ator envolvido no processo que busca soluções, propõe
ações e interfere ativamente na pesquisa.
O resultado esperado na pesquisa-ação está na geração de novo conhecimento. Esse é
um papel fundamental na promoção de mudança eficaz e compreensão científica. É um tipo de
pesquisa (Thiollent, 1986) que estreita associação das práticas com a resolução de um problema
coletivo.
A primeira etapa desta pesquisa (Gerhardt; Silveira, 2009) foi fundamentada em fontes
bibliográficas buscando alguns contextos diferentes, mas que trabalham em conjunto, como,
por exemplo, destacar conhecimento sobre SEPSE, seus conceitos, riscos, como reconhecer e
seus tratamentos. Entender o funcionamento de fármacos administrados em pessoas com
quadro séptico. Por último, mas não menos importante, o avanço das pesquisas com Inteligência
Artificial, principalmente na área da medicina, e como funcionam as técnicas de Machine
Learning para que pudéssemos aplicar de maneira mais coerente e correta em nossa pesquisa.
Desse modo, o levantamento de informações foi realizado por meio de um levantamento
bibliográfico (Gerhardt; Silveira, 2009), considerando artigos científicos, sites, livros e revistas
publicados entre 2019 e 2023. Como critério de inclusão para a seleção dos artigos foram
coletados os artigos cujos temas abordam: SEPSE, algoritmo, machine learning, prescrição
medicamentosa, predição, fármacos e inteligência artificial em diversas possibilidades de uso e

aplicação, publicados em português ou inglês no período supracitado em sites como Google
Acadêmico, ScienceDirect, Sielo, IEEE, ACM, Scopus, PubMed, Nature, entre outros. O crivo
observado para exclusão foi a literatura em língua estrangeira, que não a inglesa, ou o português
de artigos que não abordavam o tema ou abordavam apenas parcialmente. O conteúdo
selecionado foi classificado nas seguintes matérias: autor, material literário e relevância com o
tema da pesquisa. Dos estudos foram extraídos os padrões: SEPSE. Os resultados serão
apresentados através da construção de ferramenta sobre o tema, destacando a sugestão de
prescrição medicamentosa de acordo com o levantamento feito.

4.2 Dados

Para o trabalho desta pesquisa, inicialmente foram usados dados de 48 pacientes com
quadro séptico internados no Hospital Universitário de Lagarto, em Sergipe – Brasil. Houve
aprovação pelo conselho de revisão institucional — Comitê de Ética CAAE nº
16847919.8.0000.5546 – Número do parecer: 3.496.684 — da Fundação Universidade Federal
de Sergipe (UFS).
Os dados precisaram passar por um processo de tratamento antes de serem submetidos
a experimentação. Os dados vieram categorizados por classificação, como “comorbidades”,
“motivo de internação”, se houve “sedação”, “antibióticos” usados no tratamento, entre outros.
Porém, cada classificação dessa poderia ter mais de um item.
Inicialmente fizemos um filtro para poder constatar que cada item seria único. No
dataset original, os itens de cada classe estavam todos descritos em uma única célula, por
exemplo, em comorbidades era descrito “DM, HAS, Cardiopata”, mas outro paciente poderia
ter “DPOC, HAS, DM, ICC em comorbidade”. O que fizemos para tratar este cenário foi
separar cada item em uma coluna, desse modo “DM”, “HAS”, “DPOC” e demais itens passaram
a ser características separadas.
Um fato importante foi a padronização dos dados, pois alguns tinham caractere de
“espaço” antes e/ou depois do item ou em excesso na escrita. Tinham itens que significavam a
mesma coisa e por este motivo foi ajustado (uns estavam como siglas e outros escritos por
extenso, por exemplo) para que o resultado obtido fosse o mais otimizado possível.
Depois de todos os ajustes, limpeza e tratamento o dataset passou a ter 48 amostras (os
pacientes) e 136 características (colunas). Dentre os dados apresentados, alguns não tinham
aderência para o que se propõe nesta pesquisa, como por exemplo, “número do paciente”, “data
de nascimento”, “data da coleta”, “leito”, “data admissão hospitalar”, “data admissão UTI”,

“data óbito”, “data alta” e “data de finalização de coleta”. Além dessas características, outras
03 (três) também não foram usadas para aplicação do Machine Learning, pois a técnica usada
para pré-processamento foi a one-hot-enconding, são elas: “peso”, “idade” e “tempo de
permanência hospitalar”.
Após o tratamento aplicado, restaram 123 características como colunas e para cada
paciente, essas colunas de caraterísticas de valor único passaram a ser categorizadas como
binária. Essa é uma técnica de pré-processamento conhecida como “one-hot-enconding”, que
terá como valores possíveis apenas “0” e “1”, indicando se aquela característica está presente
ou não em determinada amostra (paciente).

4.3 Ferramentas

Foi usado o Google Colab como ambiente de desenvolvimento e o Python como
linguagem de programação para a aplicação dos modelos de Machine Learning. Para que os
códigos fossem executados e os dados manipulados corretamente, foi necessária a importação
de algumas bibliotecas, sendo elas: numpy, pandas, scipy e sklearn. Essa última, para que
algoritmos de Machine Learning fossem implementados de maneira mais prática. O dataset
originalmente tem seus dados em uma planilha de Excel, produto Microsoft. O fato de o
ambiente de desenvolvimento ser o Google Colab acaba por outorgar a responsabilidade da
plataforma pelo processamento de dados e demais processamentos computacionais necessários
para o desenvolvimento.
Ainda que o processamento seja realizado por parte da plataforma online, é importante
registrar que a elaboração e os testes serão realizados por meio de um notebook Dell Inspiron
15 5566, com processador 2.7 GHz Dual-Core Intel Core i5, memória RAM de 16 GB 2666
MHz DDR4, Intel HD Graphics 620 128 MB e armazenamento SSD -Kingston A400 480GB.

4.4 Cenário

O cenário aqui exposto tem a finalidade de predição de quais antibióticos teriam maiores
chances, se usados, de fazer com que o paciente não evolua à óbito.
Para que o modelo de Machine Learning pudesse ter um desempenho satisfatório, os
dados obtidos foram originados em um ambiente hospitalar real, mais especificamente o setor
de UTI para aprendizagem e teste.

4.5 Parâmetros
Para esta pesquisa diversas “features” estão presentes na aplicação do modelo de
Machine Learning, principalmente por se tratar de uma base de dados de casos reais. Então,
aqui será apresentado parâmetros que foram usados para formulação do modelo com base nas
suposições iniciais, buscando alcançar resultados que atendam às demandas do problema de
pesquisa.
Por conta da opção pela técnica de one-hot-enconding, todas as características/features
serão encaradas como binárias: 0 ou 1. Ou o paciente tem aquela característica ou não tem.
Como dito anteriormente, diversas características estão presentes no dataset usado e aqui vamos
listá-las por classificação:
COMORBIDADES: alzheimer, anemia, anemia grave, asma, AVC, AVE, cardiopata,
convulsão, deficiência visual, demência, disfunção hepática, disfunção renal, dislipidemia,
DM, doença psiquiátrica, DPOC, encefalopatia pós anoxia, etilista, etilista crônico, extabagista, febre reumática, gastrite, HAS, hemiplegia a direita, hipotireoidismo, ICC,
insuficiência cardíaca, neoplasia, retinopatia diabética, síndrome de imobilidade, síndrome
demencial, transtorno de humor, úlcera gástrica, usuário de drogas;
SUPORTE ADMISSIONAL: CVC, diálise, IOT, SVD, TQT, VM, sedação, DVA;
DVA: noradrenalina, dobutamina, amiodarona, vasopressina;
SEDAÇÃO: dexmedetomidina, etomidato, fentanil, midazolam;
MOTIVO INTERNAÇÃO: acidose metabólica, abdômen agudo, abdômen agudo
obstrutivo, abscesso cutâneo, artrite piogénica, AVC prévio, AVE prévio, celulite em outros
locais, cetoacidose diabética, descompensação respiratória, desconforto torácico, diarreia,
dispneia, doença hepática tóxica, DPOC, edema agudo de pulmão, febre, furúnculo, hemoptise,
hepatite não classificada, insuficiência hepática crônica, insuficiência renal aguda, insuficiência
respiratória, IRC, ITU, lesão com edema, náuseas, osteomielite de fêmur distal direita,
pneumonia bacteriana, pneumonia bronco aspirativa, RNC, SEPSE, sonolência, taquidispneia,
transtornos comportamentais devido ao uso de álcool, transtornos mentais devido ao uso de
álcool, vômito;
FOCO DA SEPSE: abdominal, articular, bacteremia, cateter venoso central, partes
moles, pele, pulmonar, respiratório, sangue, urinário;
ANTIBIOTICO USADO EM TRATAMENTO: Amicacina 1g IV , Amicacina
500mg IV , Ampicilina + Sulbactam 3g IV, Azitromicina 500mg IV , Cefepime 1g IV ,
Cefepime 2g IV , Ceftriaxona 1g, Ceftriaxona 2g IV , Ciprofloxacino 400mg IV , Clindamicina

600mg IV, Fluconazol 200mg IV , Fluconazol 400mg IV , Meropenem 1g IV, Meropenem 2g
IV, Meropenem 500mg IV, Metronidazol 500mg IV , Piperacilina + Tazobactam 2,25mg IV ,
Piperacilina + Tazobactam 4,5g IV, Polimixina B 1.000.000 UI IV, Polimixina B 500.000UI
IV , Polimixina B 750.000UI IV , Teicoplanina 200mg IV , Teicoplanina 400mg IV,
Vancomicina 1g IV.
Além dessas características acima citadas há também a de sexo, em que 0 indica sexo
feminino e 1 sexo masculino e a de óbito, com 1 indicando o óbito e 0 a alta do paciente após
tratamento.

4.6 Roteiro

Após todo o tratamento feito, salvamos a planilha com os dados no ambiente do Google
Drive, desse modo não seria necessário fazer upload a cada vez que fosse executar o processo,
mas apenas usar a autenticação do próprio google e configurar o caminho de leitura do arquivo
salvo.
Abaixo vamos descrever passo a passo de como o modelo foi criado:
1 – Todas as bibliotecas necessárias para a manipulação dos dados foram importadas no
início do projeto;
2 – Usamos a autenticação do Google Colab para efetuar login e conseguir usar o
arquivo com os dados no Google Drive passando o caminho e o nome do arquivo;
3 – Visualizamos se todas as colunas/características estavam presentes na hora da
importação;
4 – Criamos um dataframe com todas as colunas selecionadas;
5 – Verificamos se havia alguma coluna com dado faltante;
6 – Separamos as características entre “feature” e “target”;
7 – Nosso “target” são as colunas que possuem o termo “Antibiótico”. As demais são
as “features”;
8 – Após a separação, usamos as bibliotecas “sklearn” e selecionamos alguns modelos
de Machine Learning para saber quais resultados seriam gerados;
9 – Aplicamos o “cross-validation” para poder avaliar o desempenho dos modelos de
Machine Learning;
10 – Depois da validação, uma das técnicas de Machine Learning foi escolhida baseada
nos resultados demonstrados;
11 – Um paciente é selecionado aleatoriamente dentre os que estavam no dataframe

para ser um “novo” paciente;
12 – Caso o “novo” paciente tenha a feature “óbito” como valor Verdadeiro (1)
alteramos ele para Falso (0), pois não queremos que o paciente evolua para “óbito”;
13 – Com isso é gerada uma lista com o(s) antibiótico(s) que é (são) sugerido(s) ao
médico, indicando que sua administração possue maior probabilidade de manter o paciente
vivo.

5 RESULTADOS E ANÁLISES

Nesta seção nos debruçaremos sobre os resultados obtidos de acordo com o cenário que
foi proposto após implementação de técnica de Machine Learning.

5.1 Descrição

Inicialmente, registramos que trabalhamos com 48 amostras (quantidade de pacientes)
e que ao todo havia 123 colunas entre “features” e “target”, conforme falado na seção anterior.
Para chegar aos resultados obtidos, contamos com o esquema seguinte (Figura 3), que
ilustra como funciona o experimento do presente trabalho:
Figura 3 - Esquema de Machine Learning para sugestão terapêutica

ADMISSIONAL

DROGA VASO
ATIVA (DVA)

INTERNAÇÃO

PACIENTE

Fonte: elaborado pelo autor (2023)

Cada classe está representada por um dos quadrados do esquema acima, que são
submetidos a alguns modelos de Machine Learning diferentes. Desta maneira, é possível
verificar qual modelo tem nível de acurácia e desvio padrão mais satisfatório antes que a lista
de sugestão medicamentosa seja gerada. Após verificação, um “novo” paciente aleatório é
selecionado. O paciente pertence ao dataset usado para treinamento. Caso esse paciente possua
“1” como valor em sua feature “óbito” esse valor é alterado para “0”, pois a indicação de
medicamento(s) tem como objetivo a evolução do paciente para alta hospitalar. Só então, a lista
de sugestão medicamentosa é gerada para auxiliar o médico.
Inicialmente temos 48 amostras disponíveis e quantidade de características, 123, que
são as features disponíveis. Para aumentar a representatividade dos dados, foi usada a técnica
de Data Augmentation, uma abordagem amplamente utilizada no campo de Machine Learning,
especialmente quando a quantidade de dados reais disponíveis para treinamento de um modelo
é limitada, dado que o modelo não é capaz de adquirir conhecimentos relevantes o bastante para
efetuar a classificação do problema (Van Dyk; Meng, 2001).
Essa técnica consiste em criar novos exemplos de treinamento a partir dos dados
existentes, aplicando transformações e perturbações controladas nos exemplos de treinamento
originais. Dessa maneira, é possível incrementar o volume de dados, promovendo,
consequentemente, o balanceamento da variável alvo em um conjunto de dados inicialmente
desproporcional (Van Dyk; Meng, 2001).
O Data Augmentation (DA) pode ser empregada tanto em imagens quanto em dados
tabulares, sendo este último o enfoque deste trabalho. Tornando possível sintetizar amostras
(novas ou duplicadas) com base nas distribuições e recursos de classe.
No contexto desta pesquisa, que é usada a codificação one-hot-encoding, o aumento de
dados pode ser realizado alterando os exemplos de treinamento de maneiras que preservem suas
etiquetas ou rótulos originais, a fim de diversificar e aumentar a quantidade de dados
disponíveis para o treinamento de modelos de aprendizado de máquina.
Após a aplicação do Data Augmentation, os dados foram submetidos ao esquema acima
demonstrado. Dessa vez o número de amostras é de 144, com a mesma quantidade de
features/características e o resultado obtido segue a seguir4:

Há uma captura de tela dos resultados gerados pelo código em “Apêndice” desse trabalho.

Tabela 5 - Resultados com Data Augmentation

DECISION TREE
EXTRATREE
EXTRATREES
RANDOMFOREST
KNEIGHBORS
REGRESSÃO LOGÍSTICA
ÁRVORE DE DECISÃO
KNN
NAIVE BAYES
RANDOM FOREST
GRADIENT BOOSTING
NEURALNETWORK

ACURÁCIA
MÉDIA
0,95
0,94
0,94
0,94
0,46
nan
0,95
0,46
0,62
0,94
nan
0,91

DESVIO
PADRÃO
0,08
0,09
0,09
0,09
0,14
nan
0,08
0,14
0,07
0,09
nan
0,11

Fonte: elaborado pelo autor (2023)

Faz-se necessário elucidar que, no método estatístico “cross-validation5” usado,
algumas abordagens diferentes foram utilizadas e por este motivo “Random Forest” e “Árvore
de Decisão/Decision Tree” apareceram duas vezes, por exemplo. Na parte superior da tabela
foi usada a abordagem support multiclass-multioutput, indicando que o modelo tem a
capacidade de lidar, ao mesmo tempo, com múltiplas classes e saídas. Suportando assim, a
complexa tarefa de prever múltiplas previsões para uma única amostra.
Na parte inferior da tabela, em que as técnicas de ML estão repetidas, os resultados da
abordagem referente ao multioutput classifier, que é uma abordagem específica projetada para
trabalhar explicitamente com problemas em que diversas variáveis destino sejam esperadas.
Ao estabelecer um comparativo entre eles, é possível observar que, após a aplicação da
técnica de Data Augmentation, houve um aumento significativo de acurácia entre os modelos
apresentados. Pode-se observar também que o desvio padrão apresentado pelos modelos
diminuíram, o que sugere uma maior consistência nos resultados obtidos, de modo que são mais
estáveis e previsíveis se comparados com os primeiros resultados.

Estimador que consiste em os exemplos serem aleatoriamente divididos em k partições mutuamente exclusivas
(folds) de tamanho aproximadamente igual a n/k exemplos.

5.2 Discussão

É possível perceber que o modelo Decision Tree, com abordagem support multiclassmultioutput, teve resultado mais satisfatório6 se comparado a Acurácia e Desvio Padrão
apresentados frente aos outros modelos. Enquanto ExtraTree, ExtraTrees, RandomForest (em
ambas as abordagens) e Árvore de Decisão apresentam valores iguais para Acurácia e Desvio
padrão, sendo, ainda assim, valores satisfatórios. Isso demonstra que o desempenho entre os
modelos baseados em Árvores teve um desempenho consistente ao lidar com os dados, o que
gerou resultados robustos para esta pesquisa.
Por outro lado, os modelos de Kneighbors, KNN e Naive Bayes tiveram desempenhos
bem abaixo e insatisfatórios quando comparados aos modelos baseados em Árvores. Este é um
indicativo que não seria uma boa opção escolhê-los, ao menos com esta configuração de dados,
por não ser tão adequado ou robusto para fazer sugestão terapêutica para o médico.
Diferentemente dos modelos apresentados até este momento, a Regressão Logística e
Gradient Boosting apresentaram valores “nan” para acurácia média e para o desvio padrão. Isso
pode indicar que algo está causando problemas no cálculo que envolve essas métricas. O que
sugere que esses modelos não devem ser adotados, pois não conseguiriam gerar uma lista de
sugestão terapêutica para auxiliar o médico dado o conjunto de dados em que ele trabalhou.
Já o desempenho apresentado pela Neural Network pode ser considerado razoável, mas
não tão alto quanto àqueles que foram baseados em Árvores. Ele não foi insuficiente quando
comparado ao Nayve Bayes, inclusive apresentando um resultado superior. Mas os seus valores
ficam aquém quando confrontados com os modelos baseados em Árvores, o que não o tornaria
primeira opção de uso, visto o conjunto de dados que foi utilizado.
Diante do exposto, foram usados como métricas para comparação entre os modelos, o
percentual de acurácia e o desvio padrão presente em cada uma das abordagens de Machine
Learning abordadas nesse estudo. Então, a combinação dessas duas variáveis foram ponderadas
e sopesadas para perceber qual o modelo teve melhor desempenho diante do cenário e das
características disponíveis nesse estudo.
Desta maneira, o trabalho aponta um caminho que pode ser seguido de maneira que os
médicos possam ser auxiliados em seu dia a dia no que tange a importância de uma eficiente e
eficaz prescrição medicamentosa terapêutica para remissão de quadro séptico de seus pacientes.

Há um gráfico em “Anexos” demonstrando a comparação entre os modelos aqui usados.

6 CONSIDERAÇÕES FINAIS

Devido à natureza e à sensibilidade da pesquisa, a ausência de dados robustos e o tempo
disponível são variáveis não laboram a nosso favor. A falta de dados em grande escala,
concretos e reais, na literatura dificulta nos concentrarmos mais especificamente em como
avançar no auxílio aos médicos em prol da mitigação de óbitos decorrente de SEPSE dentro de
hospitais de maneira mais eficiente e eficaz.
Apesar das limitações na literatura, conseguimos fazer a coleta dos dados clínicos de
pacientes com quadro séptico em um Hospital Universitário cedido por um outro pesquisador.
Ainda assim, a base real que conseguimos obter necessitava passar por diversos tratamentos
para que pudesse ser manejada de maneira correta e trazer resultados que pudessem ser
considerados satisfatórios devido à sua finalidade de aprendizagem e predição para tratamento
séptico.
Quanto à proposta criada no início da pesquisa, foi percebido o alcance em sua
totalidade da predição terapêutica medicamentosa para paciente acometidos por quadro séptico.
O objetivo de identificar os modelos de Machine Learning para predição e elaboração de
algoritmo para sugestão medicamentosa foi alcançado. Foi verificado, também, a aplicação
desses modelos a partir dos dados coletados, verificando a sua acurácia e analisando os
resultados em cada etapa percorrida por este trabalho, visando a aplicação de método para
auxílio médico, buscando a remissão de seus pacientes.

6.1 Ameaças à validação

Conforme citado no início desta seção, devido às limitações temporais e de quantidade
de dados coletados no espaço dessa pesquisa, não houve a possibilidade de implantar o
algoritmo junto a uma equipe médica no cenário ideal para sua aplicação, a UTI. Embora os
dados partam inicialmente de casos reais, não houve a possibilidade de implementar as
sugestões terapêuticas em um ambiente real. Por exemplo, na chegada de um novo paciente,
imputar as novas características desse paciente no modelo e aguardar a sugestão terapêutica
para auxiliar o médico. Após crivo médico, caso a aprovação feita por ela seja concedida, fazer
a aplicação de sugestão medicamentosa e avaliar a evolução do paciente, percebendo, assim, se
o modelo é eficiente e eficaz no auxílio à alta hospitalar desse paciente. O intuito com essa
validação é poder mitigar a chance de óbito ao máximo de pessoas que forem possíveis e
estejam acometidas por quadro séptico.

É importante ressaltar que, em tese, essa aplicação não deve gerar riscos ao paciente.
Isso parte do pressuposto que o uso do tratamento, em sua totalidade ou de maneira parcial, está
condicionado a aprovação por parte do profissional de saúde, que deve ter a capacidade de
discernimento se o seu uso está de acordo com a finalidade e que não causará prejuízos ao
paciente.
Um outro fato importante a ser mencionado e que pode ameaçar a validação deste
trabalho é que, ao aplicar o Data Augmentation, é necessário ter cuidado para não introduzir
padrões artificiais nos dados que possam confundir o modelo durante o treinamento. As
transformações aplicadas devem ser escolhidas com base no conhecimento do domínio e na
compreensão das características dos dados, de forma a manter a relevância e a
representatividade dos exemplos gerados.
Além disso, é fundamental observar que, embora o Data Augmentation seja uma técnica
valiosa para aumentar a variedade e a quantidade de dados disponíveis para treinamento, ele
não substitui a necessidade de dados de alta qualidade e representativos. É um método
complementar que pode melhorar o desempenho dos modelos, especialmente em situações em
que os conjuntos de dados são limitados, como foi o caso desta pesquisa.
O Data Augmentation é uma técnica útil para criar exemplos de treinamentos adicionais
a partir de dados reais existentes – visto que a quantidade de dados disponíveis era
hipossuficiente para treinamento dos métodos de Machine Learning – , dessa maneira foram
aplicadas transformações controladas nos exemplos de treinamento, mas que precisa de muito
cuidado e atenção.

6.2 Trabalhos futuros
Por conta das limitações impostas, sobretudo considerando a quantidade pequena de
dados e tempo não muito amplo de pesquisa, desejamos, em trabalhos futuros, conseguir uma
base de dados real maior e mais robusta. Se possível, nas mais diversas partes do país. Para que
de maneira heterogênea possamos fazer com que a aplicação de Machine Learning compreenda
como os mais diversos profissionais abordam os cuidados na tentativa de remissão de seus
pacientes. Para isso, buscaremos parcerias com hospitais públicos, particulares e universitários
para que seja oferecido à academia e à sociedade uma contribuição significativa, segura e que
impacte positivamente a vida de diversas pessoas a nível mundial.
Outro fator preponderante, caso não haja disponibilização de dados na literatura, é a
importância de possuir mais tempo para fazer não apenas o levantamento, mas, além do

algoritmo, criar um sistema que possa ser usado por médicos nas unidades de UTI e poder
verificar quanto os dados que foram levantados inicialmente estão ajudando outros médicos (na
sugestão do tratamento) e pacientes (na remissão de quadro de saúde). E, dessa maneira,
retroalimentando o sistema que poderá aprender mais e ajudar, cada vez mais, as partes
envolvidas, o médico, no auxílio prescritivo, e o paciente, com a remissão de seu quadro de
saúde.

REFERÊNCIAS
ABIODUN, O. I. et al. State-of-the-art in artificial neural network applications: a survey.
Heliyon, [S. l.], v. 4, n. 11, pe. 00938, nov. 2018. DOI:
https://doi.org/10.1016/.heliyon.2018.e00938.Disponível em:
https://www.sciencedirect.com/science/article/pii/S2405844018332067. Acesso em: 24 jul.
2023.
AGÊNCIA NACIONAL DE VIGILÂNCIA SANITÁRIA (Brasil). Bulas de medicamentos:
confira as orientações para alteração. Brasília, DF: ANVISA, 11 dez. 2020. Disponível em:
https://www.gov.br/anvisa/pt-br/assuntos/noticias-anvisa/2020/bulas-de-medicamentosconfira-as-orientacoes-para-alteracao. Acesso em: 15 jul. 2023.
ALLEGRANZI, B. et al. Burden of endemic health-care-associated infection in developing
countries: systematic review and meta-analysis. The Lancet. [S. l.], v. 377, n. 9761, p. 228241, jan. 2011. DOI: https://doi.org/10.1016/S0140-6736(10)61458-4. Disponível em:
https://www.sciencedirect.com/science/article/abs/pii/S0140673610614584. Acesso em: 12
jun. 2023.
AMUDHA, P.; RAUF, H. A. Performance analysis of data mining approaches in intrusion
detection. In: IEEE INTERNATIONAL CONFERENCE ON PROCESS AUTOMATION,
CONTROL AND COMPUTING, 2011, Índia. Anais […]. Índia: IEEE, 2011, p. 1-6.
Disponível em: https://ieeexplore.ieee.org/abstract/document/5978878. Acesso em: 12 jun.
2023.
ARMSTRONG, B. A.; BETZOLD, R. D.; MAY, A. K. Sepsis and Septic Shock Strategies.
Surgical Clinics of North America, [S. l.], v. 97, n.6, p. 1339-1379, 2017. DOI:
https://doi.org/10.1016/j.suc.2017.07.003.
BEGUM, S. et al. Case-Based Reasoning Systems in the Health Sciences: A Survey Recent
Trends and Developments. IEEE Trans. on Systems, Man and Cybernetics-Part C:
Aplications e Reviews, [S. l.], v. 41, n. 4, p. 421-434, ago. 2011. Disponível em:
https://www.researchgate.net/publication/224178122_CaseBased_Reasoning_Systems_in_the_Health_Sciences_A_Survey_of_Recent_Trends_and_Dev
elopments. Acesso em: 20 jun. 2023.
BELFIORE, P. Estatística: aplicada a administração, contabilidade e economia com Excel e
SPSS. 1. ed. Rio de Janeiro: GEN LTC, 2015
BLEICH, H. Computer Evaluation of Acid-Base Disorders. The Journal of Clinical
Investigation, [S. l.], v. 48, n. 9, p. 1689-1696, 1969. DOI:https://doi.org/10.1172/JCI106134.
BRASIL. Conselho Federal de Medicina. Resolução CFM nº 1638/02, de 10 de julho de
2002. Define prontuário médico e torna obrigatória a criação da Comissão de Revisão de
Prontuários nas instituições de saúde. Brasília: Diário Oficial da União, 2002. Disponível em:
https://sistemas.cfm.org.br/normas/visualizar/resolucoes/BR/2002/1638. Acesso em: 04 fev.
2022.
BREIMAN, L. Florestas aleatórias. Machine Learning, Países Baixos, v. 45, n. 1, p. 5-32,
2001. Disponível em: https://link.springer.com/article/10.1023/A:1010933404324. Acesso
em: 14 nov. 2023.

BRUNTON, L. L.; LAZO, J. S.; PARKER, K. L., Goodman & Gilman: As Bases
Farmacológicas da Terapêutica. 11. ed. Rio de janeiro: McGraw-Hill, 2007.
BURDICK, H. et al. Validation of a machine learning algorithm for early severe sepsis
prediction: a retrospective study predicting severe sepsis up to 48 h in advance using a diverse
dataset from 461 US hospitals. BMC Medical Informatics and Decision Making , [S. l.], v.
20, n. 276, 2020. Disponível em:
https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-020-01284-x.
Acesso em: 14 nov. 2023.
CARRILHO JUNIOR, J. R. Desenvolvimento de uma Metodologia para Mineração de
Textos. 2007. Dissertação (Mestrado em Engenharia Elétrica) - Pontifícia Universidade
Católica do Rio de Janeiro, Rio de Janeiro, 2007. Disponível em:
https://www.maxwell.vrac.puc-rio.br/11675/11675_1.PDF. Acesso em: 12 jun. 2023.
CARVALHO, L. A. V. Datamining: A mineração de Dados no Marketing, Medicina,
Economia, Engenharia e Administração. Rio de Janeiro: Ciência Moderna, 2005
CARVALHO, P. P. et al. Avaliação de pacientes críticos com suspeita de sepse em um
hospital universitário. Research, Society and Development, [S. l.], v. 10, n. 3, p.
e39410313570, 2021. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/13570.
Acesso em: 20 mar. 2022.
CARVALHO, R. C. Aplicação de técnicas de mineração de texto na recuperação de
informação clínica em prontuário eletrônico do paciente. 2017. Dissertação (Mestrado em
Ciência da Informação) – Faculdade de Filosofia e Ciências - Universidade Estadual Paulista UNESP, Marília, 2017. 201f.
CHICCO, D.; JURMAN, G. Survival prediction of patients with sepsis from age, sex, and
septic episode number alone. Scientific Reports, [S. l.], v. 10, n. 17156, 2020. Disponível em:
https://www.nature.com/articles/s41598-020-73558-3. Acesso em: 17 ago. 2023.
CRUZ, L. L; MACEDO, C. C. Perfil epidemiológico da sepse em hospital de referência no
interior do Ceará. Revista De Psicologia, [S. l.], v. 10, n. 29, p. 71-99, 2016.
DOI:10.14295/idonline.v10i1.385. Disponível em:
https://www.researchgate.net/publication/301344885_Perfil_Epidemiologico_da_Sepse_em_
Hospital_de_Referencia_no_Interior_do_Ceara. Acesso em: 17 ago. 2023.
DATORRE, F. Sistema Colaborativo para Prescrição de Medicamentos. 2017.
Dissertação (Mestrado em Bioengenharia) – Universidade Brasil, São Paulo, 2017.
Disponível em:
https://universidadebrasil.edu.br/portal/_biblioteca/uploads/20200316143203.pdf. . Acesso
em: 20 dez. 2023.
DYAS, S. R. et al. Process-improvement cost model for the emergency department. Journal
of Healthcare Management, [S. l.], v. 60, n. 6, p. 442-458, 2015. DOI:
https://doi.org/10.1097/00115514-201511000-00011.
ERTEL, W. Introduction to Artificial Intelligence. 2. ed. Londres: Springer, 2017.

FELDMAN, R.; SANGER, J. The Text Mining Handbook: Advanced Approachs in
Analyzing Unstructured Data. New York: Cambridge University Press, 2007.
FERRER, R. et al. Empiric antibiotic treatment reduces mortality in severe sepsisand septic
shock from the first hour: results from a guideline-based performance improvement program.
Critical Care Medicine, [S. l.], v. 42, n. 8, p. 1749-1755, ago. 2014. DOI:
https://doi.org/10.1097/CCM.0000000000000330.
FERRERO, C. A. Algoritmo KNN para previsão de dados temporais: funções de
previsão e critérios de seleção de vizinhos próximos aplicados a variáveis ambientais em
limnologia. 2009. Dissertação (Mestrado em Ciências de Computação e Matemática
Computacional) — Instituto de Ciências Matemáticas e de Computação - USP, São Carlos,
2009. DOI: https://doi.org/10.11606/D.55.2009.tde-19052009-135128.
GERHARDT, T.; SILVEIRA, D. Métodos de Pesquisa. Porto Alegre: Editora da UFRGS,
2009.
GOH, K. H. et al. Artificial intelligence in sepsis early prediction and diagnosis using
unstructured data in healthcare. Nature Communications, [S. l.], v. 12, n. 711, 2021.
Disponível em: https://www.nature.com/articles/s41467-021-20910-4. Acesso em: 25 jul.
2023.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data
Mining, Inference and Prediction. New York: Springer New York, 2008.
HOBBS, G; R. Data mining and healthcare informatics. American journal of health
behavior, [S. l.], v. 25, n. 3, p. 285-289, 2001. DOI: https://doi.org/10.5993/ajhb.25.3.16.
IBM. Como o Watson, a plataforma de computação cognitiva da IBM, está ajudando a
revolucionar o perfil de cinco verticais econômicas. New York: IBM Watson, [s. d.].
Disponível em: http://idgnow.com.br/ti-corporativa/2016/06/20/como-owatson-a-plataformade-computacao-cognitiva-da-ibm-esta-ajudando-arevolucionar-o-perfil-de-cinco-verticaiseconomicas. Acesso em: 04 fev. 2022.
INSTITUTO LATINO-AMERICANO DE SEPSE. Sepse: um problema de saúde pública.
Brasília: CFM, 2015. 90 p. Disponível em: https://ilas.org.br/wpcontent/uploads/2022/02/livro-sepse-um-problema-de-saude-publica-cfm-ilas.pdf. Acesso em:
28 out. 2023.
JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An Introduction to Statistical
Learning. New York: Springer, 2014.
JIANG, F. et al. Artificial intelligence in healthcare: past, present, and future. Stroke and
Vascular Neurology, [S. l.], v. 2, n. 4, p. 230-243, 2017. DOI: http://dx.doi.org/10.1136/svn2017-000101.
KNIGHT, W. The dark secret at the heart of AI. MIT Technology Review. [S. l.], 11 abr.
2017. Disponível em: https://www.technologyreview.com/2017/04/11/5113/the-dark-secretat-the-heart-of-ai/. Acesso em: 28 out. 2023.
KUHN, M.; JOHNSON, K. Applied Predictive Modeling. New York: Springer, 2013.

KULKARNI, A. D.; LOWE, B. Random Forest algorithm for land cover classification.
Computer Science Faculty Publications and Presentations, [S. l.], v. 4, n. 3, p. 58-63, mar.
2016. Disponível em: http://hdl.handle.net/10950/341. Acesso em: 22 out. 2023.
LELIGDOWICZ, A.; MATTHAY, M. A. Heterogeneity in sepsis: new biological evidence
with clinical applications. Critical Care, [S. l.], v. 23, n. 80, mar. 2019.
DOI:https://doi.org/10.1186/s13054-019-2372-2. Disponível em:
https://ccforum.biomedcentral.com/articles/10.1186/s13054-019-2372-2. Acesso em: 22 ago.
2023.
LIPSITCH, M.; SAMORE, M. H. Antimicrobial use and antimicrobial resistance: a
population perspective. Emerging Infectious Diseases, [S. l.], v.8, n. 4, p. 347-54, 2002.
DOI: https://doi.org/10.3201/eid0804.010312.
LOBO, S. M.; REZENDE, E.; MENDES, C. L.; OLIVEIRA, M. C. de. Mortalidade por
sepse no Brasil em um cenário real: projeto UTIs Brasileiras. Revista Brasileira de Terapia
Intensiva, [S. l.], v. 31, n. 1, p. 1-4, jan. 2019. Disponível em:
https://www.scielo.br/j/rbti/a/XD867yzfcJGNpnMKhQg8wyb/# . Acesso em: 20 dez. 2023.
LONG, E. et al. An artificial intelligence platform for the multihospital collaborative
management of congenital cataracts. Nature Biomedical Engineering, [S. l.], v.1, n.2, p.
e0024, 2017. Disponível em:
https://www.researchgate.net/publication/313111785_An_artificial_intelligence_platform_for
_the_multihospital_collaborative_management_of_congenital_cataracts. Acesso em: 14 ago.
2023.
MACHADO, F. R. et al. The epidemiology of sepsis in Brazilian intensive care units (the
Sepsis PREvalence Assessment Database, SPREAD): an observational study. Lancet Infect
Disease, [S. l.], v. 17, n. 11, p.1180-1189, 2017. DOI: https://doi.org/10.1016/S14733099(17)30322-5. Disponível em:
https://www.thelancet.com/journals/laninf/article/PIIS1473-3099(17)30322-5/fulltext. Acesso
em: 22 set. 2023.
MARIK, P. E.; TAEB, A. M. SIRS, qSOFA and new sepsis definition. Journal of Thoracic
Disease, [S. l.], v. 9, n. 4, p. 943-945, abr. 2017.
DOI:https://doi.org/10.21037/jtd.2017.03.125. Disponível em:
https://jtd.amegroups.org/article/view/12738/pdf. Acesso em: 8 jan. 2023.
MARLING, C.; SHUBROOK, J.; SCHWARTZ, F. Case-based decision support or patients
with type 1 diabetes on insulin pump therapy. In: PROC. EUR. CONF. CASE-BASED
REASON: (ECCBR), 9., 2008, Berlim. Anais [...]. Berlim: Springer-Verlag, 2008, p. 325339. Disponível em: http://oucsace.cs.ohio.edu/~smarthlt/pubs/ECCBR-2008.pdf. Acesso em:
15 ago. 2023.
MIOTTO, R. et al. Deep patient: an unsupervised representation to predict the future of
patients from the electronic health records. Scientific Reports, [S. l.], v. 6, n.1, p. e26094,
2016. Disponível em:
https://www.researchgate.net/publication/303317731_Deep_Patient_An_Unsupervised_Repre
sentation_to_Predict_the_Future_of_Patients_from_the_Electronic_Health_Records. Acesso
em: 25 set. 2023.

MITCHELL, T. Aprendizado de máquina. 1. ed. McGraw-Hil, 1997.
MORAIS, E. A. M.; AMBRÓSIO, A. P. L. Mineração de textos. Goiânia: Instituto de
Informática da Universidade Federal de Goiás, 2007. 30p. Disponível em:
http://www.inf.ufg.br/sites/default/files/uploads/relatorios-tecnicos/RT-INF_005-07 Acesso
em: 04 fev. 2022
MORIMOTO, T. et al, Adverse drug events and medication errors: detection and
classification methods. Quality & Safety in Health Care, [S. l.], v. 13, n. 4, p. 306-314,
2004. Disponível em:
https://www.researchgate.net/publication/8420183_Adverse_drug_events_and_medication_er
rors_Detection_and_classification_methods. Acesso em: 11 set. 2023.
NATIONAL CANCER INSTITUTE (EUA). Cancer Treatment Research. Maryland: NCI,
2022b. Disponível em: https://www.cancer.gov/research/areas/treatment/pmi-oncology
Acesso em: 04 fev. 2022
NATIONAL CANCER INSTITUTE (EUA). Clinical trials information for patients and
caregivers. Maryland: NCI, 2022a. Disponível em: https://www.cancer.gov/aboutcancer/treatment/clinical-trials/ncisupported/nci-match Acesso em: 04 fev. 2022
OLIVEIRA, D. F. et al. Fatores associados à baixa adesão ao tratamento farmacológico de
pacientes atendidos por um Centro Integrado de Saúde. Brazilian Journal of Natural
Sciences, [S. l.], v. 3, n. 3, p. 430, 2020. DOI: 10.31415/bjns.v3i3.113. Disponível em:
https://www.bjns.com.br/index.php/BJNS/article/view/113. Acesso em: 3 set. 2023.
PAIXÃO, G. M. de M.; SANTOS, B. C.; ARAUJO, R. M. de; RIBEIRO, M. H.; MORAES,
J. L. de; RIBEIRO, A. L. Machine Learning na Medicina: Revisão e Aplicabilidade.
Arquivos Brasileiros de Cardiologia, [S. l.], v. 118, n. 1, p. 95, 2022. Disponível em:
https://www.scielo.br/j/abc/a/WMgVngCLbYfJrkmC65VFCkp/?format=pdf. Acesso em: 20
dez. 2023.
PANDA, M.; PATRA, M. R. A comparative study of data mining algorithms for network
intrusion detection. In: IEEE INTERNATIONAL CONFERENCE ON EMERGING
TRENDS IN ENGINEERING AND TECHNOLOGY, 1., 2008, [S. l.]. Anais […]. [S. l.]:
IEEE, 2008, p. 504-507.
PINTO, V. B. A contribuição da terminologia para a gestão da documentação sanitária em
organizações de saúde. In: MEDINFOR, 3., 2014, Salvador. Anais […]. Salvador: UFBA,
2014.
PITTET, D. et al. Infection control as a major World Health Organization priority for
developing countries. Journal of Hospital Infection, [S. l.], v. 68, n. 4, p. 285-292, abr. 2008.
DOI: https://doi.org/10.1016/j.jhin.2007.12.013.
POSSARI, J. F. Prontuário do paciente e os registros de enfermagem. 2. ed. São Paulo:
Iátria, 2007. 246 p.
RHODES, A. et al. Surviving sepsis campaign: International guidelines for management of
sepsis and septic shock: 2016. Intensive Care Medicine, [S. l.], v. 43, n. 3, p. 304-377, 2017.
DOI: https://doi.org/10.1007/s00134-017-4683-6. Disponível em:
https://link.springer.com/article/10.1007/s00134-017-4683-6. Acesso em: 16 set. 2023.

RIPLEY, B.D. Pattern Recognition and Neural Networks. Cambridge: Cambridge
University Press, 1996. 354p.
ROSA, J. L. A. Classificação de dados através da otimização do método KNN-Fuzzy em
ambiente de computação paralela. 2003. Tese (Doutorado em Engenharia Civil) —
Universidade Federal do Rio de Janeiro - UFRJ, Rio de Janeiro, 2003.
RUDD, K. E. et al. Global, regional, and national sepsis incidence and mortality, 1990-2017:
analysis for the Global Burden of Disease Study. Lancet Infect Disease, Londres, v. 395, n.
10219, p. 200-211, jan. 2020. DOI:https://doi.org/10.1016/S0140-6736(19)32989-7.
Disponível em: https://www.thelancet.com/article/S0140-6736(19)32989-7/fulltext. Acesso
em: 15 jul. 2023.
RUSSELL, S.; NORVIG, P. Inteligência Artificial. 3. ed. Rio de Janeiro: Elsevier Editora
LTDA, 2013.
SAMUEL, A. L. Algumas pesquisas em aprendizado de máquina usando o jogo de damas.
IBM Journal of Research and Development, [S. l.], v. 3, n.3, p. 210-229, 1959.
SCHEFFER, M. et al. Demografia Médica no Brasil 2015. Departamento de Medicina
Preventiva, Faculdade de Medicina da USP. Conselho Regional de Medicina do Estado de
São Paulo. Conselho Federal de Medicina. São Paulo: 2015. Disponível em:
https://www.usp.br/agen/wp-content/uploads/DemografiaMedica30nov2015.pdf. Acesso em:
18 out. 2023.
SHANKAR-HARI, M. et al. Developing a new definition and assessing new clinical criteria
for septic shock: for the Third International Consensus Definitions for Sepsis and Septic
Shock (Sepsis-3). JAMA, [S. l.], v. 315, n. 8, p. 775-787, 2016.
DOI:https://doi.org/10.1001/jama.2016.0289. Disponível em:
https://jamanetwork.com/journals/jama/fullarticle/2492876. Acesso em: 26 set. 2023.
SUBBE, C. et al. Validation of physiological scoring systems in the accident and emergency
department. Emergency Medicine Journal, [S. l.], v. 23, n. 11, p. 841–845, 2006.
DOI:https://doi.org/10.1136/emj.2006.035816.
TAVARES, S. O. et al. Interdisciplinaridade, Multidisciplinaridade Ou Transdisciplinaridade.
In: INTERFACES NO FAZER PSICOLÓGICO, 5., 2012, Santa Maria, Anais[...]. Santa
Maria: UNIFRA, 2012. Disponível em: https://docplayer.com.br/1454502Interdisciplinaridade-multidisciplinaridade-ou-transdisciplinaridade-1.html#google_vignette
Acesso em: 08 fev. 2022.
TELES, M. C. G. Desenvolvimento de componentes de execução e validação humana de
modelos de Machine Learning no sistema de recomendação de medicamentos
anticancerígenos (SiReMA). 2022. Dissertação (Mestrado em Análise de Dados e Sistemas
de Apoio à Decisão) – Instituto Superior de Contabilidade e Administração, Politécnico de
Coimbra, Coimbra, 2022. Disponível em:
https://comum.rcaap.pt/bitstream/10400.26/43436/1/M%c3%b3nica_Teles.pdf. . Acesso em:
20 dez. 2023.

THIOLLENT, M. Metodologia da pesquisa-ação. 2. ed. São Paulo: Editora Autores
Associados, 1986.
TOPOL, E. J. High-performance medicine: the convergence of human and artificial
intelligence. Nature Medicine, [S. l.], v. 25, n. 1, p. 44-56, jan. 2019. Disponível em:
https://pubmed.ncbi.nlm.nih.gov/30617339/
VAN DER POLL, T. et al. The immunopathology of sepsis and potential therapeutic
targets. Nature Reviews Immunology, [S. l.], v. 17, p. 407-420, 2017.
DOI:https://doi.org/10.1038/nri.2017.36.
VAN DYK, D. A.; MENG, X.-L. The Art of Data Augmentation. Journal of Computational
and Graphical Statistics, [S. l.], v.10, n. 1, p. 1–50, 2001. Disponível em:
https://www.jstor.org/stable/1391021. Acesso em: 20 jun. 2023.
VINCENT, J. L. et al. The SOFA (Sepsis-related Organ Failure Assessment) score to
describe organ dysfunction/failure. On behalf of the Working Group on Sepsis-Related
Problems of the European Society of Intensive Care Medicine. Intensive Care Medicine, [S.
l.], v. 22, n. 7, p. 707–710, 1996. DOI: https://doi.org/10.1007/BF01709751.
WORLD HEALTH ORGANIZATION. Improving the Prevention, Diagnosis and Clinical
Management of Sepsis. Geneva: WHO, [s. d.]. Disponível em:
https://www.who.int/activities/improving-the-prevention-diagnosis-and-clinical-managementof-sepsis Acesso em: 04 fev. 2022.

APÊNDICES
APÊNDICE A
CÓDIGO PARA GERAÇÃO DOS MODELOS DE MACHINE LEARNING
# -*- coding: utf-8 -*"""Augmentados Geral Classificado antibióticos - vFinal.ipynb

Automatically generated by Colaboratory.

Original file is located at
https://colab.research.google.com/drive/1R5eUyia4nAqG1O0wHnPN6rYOLM36Jgxa
"""

# IMPORTAÇÃO DAS BIBLIOTECAS NECESSÁRIAS PARA O PROJETO

import scipy
import numpy as np
import pandas as pd
import sklearn
from statistics import mean, stdev
from sklearn.linear_model import LogisticRegression
from pandas.plotting import scatter_matrix
from sklearn import model_selection
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score

from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn import metrics
from sklearn.naive_bayes import GaussianNB
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis,
QuadraticDiscriminantAnalysis
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.model_selection import KFold
#VER AS COLUNAS DO DATASET PARA PODER SELECIONAR
df.columns.values
#SELECIONANDO TODAS AS COLUNAS DO DATASET
ColunasSelecionadasPacientes = ['Sexo',
#COMORBIDADES PRE EXISTENTES NOS PACIENTES:
'COMORBIDADE_Alzheimer',
'COMORBIDADE_Anemia',
'COMORBIDADE_Anemia_grave',
'COMORBIDADE_Asma',
'COMORBIDADE_AVC',
'COMORBIDADE_AVE',
'COMORBIDADE_Cardiopata',
'COMORBIDADE_convulsao',
'COMORBIDADE_Deficiencia_visual',
'COMORBIDADE_Demencia',
'COMORBIDADE_Disfuncao_hepatica',

'COMORBIDADE_Disfuncao_renal',
'COMORBIDADE_Dislipidemia',
'COMORBIDADE_DM',
'COMORBIDADE_Doenca_psiquiatrica',
'COMORBIDADE_DPOC',
'COMORBIDADE_Encefalopatia_pos_anoxia',
'COMORBIDADE_Etilista',
'COMORBIDADE_Etilista_crônico',
'COMORBIDADE_Ex-tabagista',
'COMORBIDADE_Febre_reumatica',
'COMORBIDADE_gastrite',
'COMORBIDADE_HAS',
'COMORBIDADE_hemiplegia_a_direita',
'COMORBIDADE_Hipotireoidismo',
'COMORBIDADE_ICC',
'COMORBIDADE_insuficiencia_cardiaca',
'COMORBIDADE_Neoplasia',
'COMORBIDADE_Retinopatia_diabética',
'COMORBIDADE_Sindrome_de_imobilidade',
'COMORBIDADE_Sindrome_demencial',
'COMORBIDADE_Transtorno_de_humor',
'COMORBIDADE_ulcera_gastrica',
'COMORBIDADE_usuario_de_drogas',

#SUPORTE ADMISSIONAL DO PACIENTE
'SUPORTE_ADMISSIONAL_CVC',
'SUPORTE_ADMISSIONAL_Dialise',
'SUPORTE_ADMISSIONAL_IOT',
'SUPORTE_ADMISSIONAL_SVD',
'SUPORTE_ADMISSIONAL_TQT',
'SUPORTE_ADMISSIONAL_VM',
'SUPORTE_ADMISSIONAL_Sedacao',
'SUPORTE_ADMISSIONAL_DVA',

#DROGA VASO ATIVA USADA NO PACIENTE EM ADMISSÃO

'DVA_Noradrenalina',
'DVA_Dobutamina',
'DVA_Amiodarona',
'DVA_Vasopressina',

#SEDAÇÃO USADA NA ADMISSÃO DO PACIENTE
'SEDACAO_Dexmedetomidina',
'SEDACAO_Etomidato',
'SEDACAO_Fentanil',
'SEDACAO_Midazolam',

#MOTIVO DE INTERNAÇÃO ADMISSIONAL
'MOTIVO_INTERNACAO_Acidose_Metabolica',
'MOTIVO_INTERNACAO_Abdomen_agudo',
'MOTIVO_INTERNACAO_Abdomen_agudo_obstrutivo',
'MOTIVO_INTERNACAO_Abscesso_cutaneo',
'MOTIVO_INTERNACAO_Artrite_Piogenica',
'MOTIVO_INTERNACAO_AVC_PREVIO',
'MOTIVO_INTERNACAO_AVE_PREVIO',
'MOTIVO_INTERNACAO_Celulite_em_outros_locais',
'MOTIVO_INTERNACAO_Cetoacidose_diabetica',
'MOTIVO_INTERNACAO_descompensacao_respiratoria',
'MOTIVO_INTERNACAO_Desconforto_toracico',
'MOTIVO_INTERNACAO_diarreia',
'MOTIVO_INTERNACAO_dispneia',
'MOTIVO_INTERNACAO_Doenca_hepatica_toxica',
'MOTIVO_INTERNACAO_DPOC',
'MOTIVO_INTERNACAO_Edema_agudo_de_pulmao',
'MOTIVO_INTERNACAO_Febre',
'MOTIVO_INTERNACAO_furunculo',
'MOTIVO_INTERNACAO_Hemoptise',
'MOTIVO_INTERNACAO_hepatite_nao_classificada',
'MOTIVO_INTERNACAO_insuficiencia_hepatica_cronica',

'MOTIVO_INTERNACAO_Insuficiencia_Renal_Aguda',
'MOTIVO_INTERNACAO_Insuficiencia_respiratoria',
'MOTIVO_INTERNACAO_IRC',
'MOTIVO_INTERNACAO_ITU',
'MOTIVO_INTERNACAO_Lesao_com_edema',
'MOTIVO_INTERNACAO_nauseas',
'MOTIVO_INTERNACAO_Osteomielite_de_femur_distal_dir.',
'MOTIVO_INTERNACAO_Pneumonia_bacteriana',
'MOTIVO_INTERNACAO_Pneumonia_broncoaspirativa',
'MOTIVO_INTERNACAO_RNC',
'MOTIVO_INTERNACAO_Sepse',
'MOTIVO_INTERNACAO_sonolencia',
'MOTIVO_INTERNACAO_Taquidispneia',

'MOTIVO_INTERNACAO_Transtornos_comportamentais_devido_ao_uso_de_alcool',

'MOTIVO_INTERNACAO_Transtornos_mentais_devido_ao_uso_de_alcool',
'MOTIVO_INTERNACAO_vomito',
#FOCO DA SEPSE EM PACIENTE
'FOCO_Abdominal',
'FOCO_Articular',
'FOCO_bacteremia',
'FOCO_Cateter_Venoso_Central',
'FOCO_partes_moles',
'FOCO_Pele',

'FOCO_Pulmonar',
'FOCO_respiratorio',
'FOCO_Sangue',
'FOCO_Urinario',
#ANTIBIOTICO USADO EM TRATAMENTO:
'ANTIBIOTICO_Amicacina_1g_IV_-_24/24h',
'ANTIBIOTICO_Amicacina_500mg_IV_-_12/12h',
'ANTIBIOTICO_Ampicilina_+_Sulbactam_3g_IV',
'ANTIBIOTICO_Azitromicina_500mg_IV_-_24/24h',
'ANTIBIOTICO_Cefepime_1g_IV_-_8/8h',
'ANTIBIOTICO_Cefepime_2g_IV_-_8/8h',
'ANTIBIOTICO_Ceftriaxona_1g',
'ANTIBIOTICO_Ceftriaxona_2g_IV_-_24/24h',
'ANTIBIOTICO_Ciprofloxacino_400mg_IV_-_12/12h',
'ANTIBIOTICO_Clindamicina_600mg_IV',
'ANTIBIOTICO_Fluconazol_200mg_IV_-_24/24h',
'ANTIBIOTICO_Fluconazol_400mg_IV_-_12/12h',
'ANTIBIOTICO_Meropenem_1g_IV',
'ANTIBIOTICO_Meropenem_2g_IV',
'ANTIBIOTICO_Meropenem_500mg_IV',
'ANTIBIOTICO_Metronidazol_500mg_IV_-_8/8h',
'ANTIBIOTICO_Piperacilina_+_Tazobactam_2,25mg_IV_-_12/12h',
'ANTIBIOTICO_Piperacilina_+_Tazobactam_4,5g_IV',
'ANTIBIOTICO_Polimixina_B_1.000.000_UI_IV',

'ANTIBIOTICO_Polimixina_B_500.000UI_IV_-_8/8h',
'ANTIBIOTICO_Polimixina_B_750.000UI_IV_-_12/12h',
'ANTIBIOTICO_Teicoplanina_200mg_IV_-_24/24h',
'ANTIBIOTICO_Teicoplanina_400mg_IV',
'ANTIBIOTICO_Vancomicina_1g_IV',
'Obito'
]

#DF DAS COLUNAS SELECIONADAS
selecaopacientes = df.filter(items=ColunasSelecionadasPacientes)
#QUANTIDADE LINHAS E COLUNAS DO DF
selecaopacientes.shape
# Função para gerar dados sintéticos one-hot-encoded com base na distribuição já existente
def generate_synthetic_data(dataframe, columns, num_samples):
synthetic_data = np.zeros((num_samples, len(columns)))

for i in range(num_samples):
# Amostra aleatória de uma linha existente
original_sample = dataframe.sample(1, replace=True).to_numpy()
synthetic_data[i, :] = original_sample
synthetic_df = pd.DataFrame(synthetic_data, columns=columns)
return synthetic_df
# Adicionando 2x o valor da amostra original; A amostra será o dataframe original + duas
vezes o seu tamanho

num_synthetic_samples = 2 * len(selecaopacientes)

# Gerando dados sintéticos one-hot-encoded
synthetic_data_one_hot = generate_synthetic_data(selecaopacientes,
ColunasSelecionadasPacientes, num_synthetic_samples)

# Concatenando dados originais e dados sintéticos
selecaopacientes_aumentado = pd.concat([selecaopacientes, synthetic_data_one_hot],
ignore_index=True)

#VERIFICANDO SE HÁ VALOR FALTANTE EM ALGUMA COLUNA
selecaopacientes_aumentado.isnull().sum()

#QUANTIDADE LINHAS E COLUNAS DO NOVO DF
selecaopacientes_aumentado.shape

#VERIFICANDO OS DADOS
selecaopacientes_aumentado.describe()
# Dividindo os dados em recursos (X) e variável alvo (y)
col_names_antibiotic = [col for col in selecaopacientes_aumentado.columns if
'ANTIBIOTICO' in col]
X = selecaopacientes_aumentado.drop(col_names_antibiotic, axis=1)
y = selecaopacientes_aumentado[col_names_antibiotic]

from sklearn.model_selection import cross_val_score
from sklearn.multioutput import MultiOutputClassifier
import pandas as pd
# Multiclass/multioutput https://scikit-learn.org/stable/modules/multiclass.html
# Support multiclass-multioutput
from sklearn.tree import DecisionTreeClassifier, ExtraTreeClassifier
from sklearn.ensemble import ExtraTreesClassifier, RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier, RadiusNeighborsClassifier
# Multioutput classifier
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.neural_network import MLPClassifier

# Validação cruzada
classifiers = {
# Support multiclass-multioutput
"DecisionTree": DecisionTreeClassifier(),
"ExtraTree": ExtraTreeClassifier(),
"ExtraTrees": ExtraTreesClassifier(),
"RandomForest": RandomForestClassifier(),
"KNeighbors": KNeighborsClassifier(),

# Multioutput classifier
"Regressão Logística": MultiOutputClassifier(LogisticRegression()),
"Árvore de Decisão": MultiOutputClassifier(DecisionTreeClassifier()),
"KNN": MultiOutputClassifier(KNeighborsClassifier()),
"Naive Bayes": MultiOutputClassifier(GaussianNB()),
"Random Forest": MultiOutputClassifier(RandomForestClassifier()),
"Gradient Boosting": MultiOutputClassifier(GradientBoostingClassifier()),
"NeuralNetwork": MultiOutputClassifier(MLPClassifier())
}

results = {}

for name, clf in classifiers.items():
print(name)
scores = cross_val_score(clf, X, y, cv=6, scoring='accuracy')
results[name] = (scores.mean(), scores.std())

for name, (mean, std) in results.items():
print(f"{name}:")
print(f"Acurácia Média: {mean:.2f}")
print(f"Desvio Padrão: {std:.2f}\n")

#GRAFICO COMPARANDO O DESEMPENHO DOS MODELOS
import matplotlib.pyplot as plt
classifier_names = list(results.keys())
mean_accuracies = [result[0] for result in results.values()]
std_accuracies = [result[1] for result in results.values()]
x = np.arange(len(classifier_names))
# Criando um gráfico de barras
fig, ax = plt.subplots(figsize=(10, 6)) width = 0.35
rects1 = ax.bar(x - width/2, mean_accuracies, width, label='Acurácia Média')
rects2 = ax.bar(x + width/2, std_accuracies, width, label='Desvio Padrão')
ax.set_xlabel('Classificadores')
ax.set_ylabel('Acurácia')
ax.set_title('Acurácia Média e Desvio Padrão por Classificador')
ax.set_xticks(x)
ax.set_xticklabels(classifiers_names, rotation=45, ha="right")

# Legenda para fora da área do gráfico
ax.legend(bbox_to_anchor=(1.05, 1), loc='upper left')

# Adicionando rótulos nas barras
def autolabel(rects):
for rect in rects:
height = rect.get_height()
ax.annotate('{}'.format(round(height, 2)),

xy=(rect.get_x() + rect.get_width() / 2, height),
xytext=(0, 3),
textcoords="offset points",
ha='center', va='bottom')
autolabel(rects1)
autolabel(rects2)
fig.tight_layout()

plt.show()

#Dividindo x e y em conjunto de treinamento e teste para todos o modelos para que possa
testar
#individualmente e envelopar como "clf" para predizer medicamento
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=40)
#A PARTIR DESTE PONTO BASTA SELECIONAR O MODELO QUE TEVE MELHOR
DESEMPENHO PARA QUE ELE POSSA PREDIZER A LISTA DE MEDICAMENTO
#DecisionTree
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
clf.score(X_test, y_test)

# ExtraTree
clf = ExtraTreeClassifier()
clf.fit(X_train, y_train)
accuracy_extra_tree = clf.score(X_test, y_test)

print(f"ExtraTree: Accuracy - {accuracy_extra_tree:.4f}")

# RandomForest
clf = RandomForestClassifier()
clf.fit(X_train, y_train)
accuracy_random_forest = clf.score(X_test, y_test)
print(f"RandomForest: Accuracy - {accuracy_random_forest:.4f}")
# Árvore de Decisão Multioutput
clf = MultiOutputClassifier(DecisionTreeClassifier())
clf.fit(X_train, y_train)
accuracy_multioutput_decision_tree = clf.score(X_test, y_test)
print(f"Árvore de Decisão Multioutput: Accuracy {accuracy_multioutput_decision_tree:.4f}")
# Gradient Boosting Multioutput
clf = MultiOutputClassifier(GradientBoostingClassifier())
clf.fit(X_train, y_train)
accuracy_multioutput_gradient_boosting = clf.score(X_test, y_test)
print(f"Gradient Boosting Multioutput: Accuracy {accuracy_multioutput_gradient_boosting:.4f}")
# Neural Network Multioutput
clf = MultiOutputClassifier(MLPClassifier())
clf.fit(X_train, y_train)
accuracy_multioutput_neural_network = clf.score(X_test, y_test)
print(f"Neural Network Multioutput: Accuracy {accuracy_multioutput_neural_network:.4f}")

#AQUI FINALIZA AS OPÇÕES DE ESCOLHA
#ESCOLHA ALEATÓRIA DE UM NOVO PACIENTE
new_patient = X.sample(1)
new_patient
#CASO O PACIENTE ACIMA TENHA "1" EM ÓBITO SERÁ SUBSTITUIDO POR "0"
new_patient['Obito'] = 0
new_patient
#DEMONSTRA QUAL(IS) ANTIBIOTICO SERA(O) ADMINISTRADO(S) PARA O

PACIENTE SELECIONADO
y.columns[clf.predict(new_patient).ravel().astype(bool)]

APÊNDICE B
Resultado da execução do código que compara o desempenho dos classificadores:

APÊNDICE C
Resultado da execução do código que gera gráfico comparando desempenho dos
classificadores: