30abr2026
10:00 Defesa de Mestrado Sala 53 do IC2
Tema
Predição Precoce de Sepse em Unidades de Terapia Intensiva com Séries Temporais Clínicas: Análise Comparativa de Modelos de Aprendizado de Máquina
Aluno
Fábio Fogliarini Brolesi
Orientador / Docente
Hélio Pedrini
Breve resumo
Este trabalho investiga a predição precoce de sepse em pacientes adultos internados em Unidades de Terapia Intensiva (UTIs), com até 6 horas de antecedência ao diagnóstico formal, por meio de uma análise comparativa sistemática entre cinco arquiteturas de aprendizado de máquina aplicadas a séries temporais clínicas. A sepse constitui uma emergência médica tempo-dependente, responsável por aproximadamente 11 milhões de mortes anuais no mundo, cuja detecção antecipada pode ampliar significativamente a janela terapêutica disponível para a equipe de saúde. Utilizando dados clínicos longitudinais extraídos da base MIMIC-IV — que reúne registros de mais de 65.000 internações em UTI — foi construída uma coorte de pacientes adultos com primeira internação em UTI e permanência mínima de 12 horas, com identificação de casos de sepse segundo os critérios internacionais Sepsis-3. As variáveis preditoras incluem sinais vitais, parâmetros laboratoriais, medidas de variabilidade fisiológica, exposições terapêuticas cumulativas e características demográficas, agregadas em janelas horárias. Foram treinados e comparados cinco modelos: Florestas Aleatórias e XGBoost, que operam sobre representações tabulares, e CNN1D, LSTM e Transformer, que exploram explicitamente a estrutura sequencial dos dados. Todos os modelos passaram por otimização bayesiana de hiperparâmetros com a ferramenta Optuna e foram avaliados em métricas de discriminação (AUROC e AUPRC), relevância clínica (sensibilidade, especificidade, valores preditivos, razões de verossimilhança) e capacidade de generalização. Os resultados demonstram que todos os modelos superaram o limiar de AUROC de 0,75 considerado clinicamente aceitável, com os modelos de aprendizado profundo alcançando AUROC entre 0,937 e 0,942, contra 0,837 a 0,841 dos modelos tabulares. A diferença foi ainda mais pronunciada na AUPRC: os modelos neurais atingiram valores entre 0,627 e 0,670, representando ganho relativo de 135% a 198% em relação aos modelos baseados em árvores. Os modelos de aprendizado profundo também reduziram substancialmente os alarmes falsos — o CNN1D gerou 201 falsos positivos contra 830 das Florestas Aleatórias — e alcançaram valor preditivo positivo superior a 0,60, indicando que a maioria dos alertas emitidos corresponde a casos reais de sepse. Entre as arquiteturas neurais, as diferenças de desempenho foram marginais, sem evidência de superioridade inequívoca de uma sobre as demais. As contribuições deste trabalho incluem um protocolo metodológico reprodutível para construção de coorte e avaliação de modelos, evidência empírica quantitativa de que arquiteturas temporais superam representações tabulares nesta tarefa, e análise de utilidade clínica orientada à aplicação prática em sistemas de apoio à decisão.
Banca examinadora
Titulares:
| Hélio Pedrini | IC/UNICAMP |
| Edimilson Batista dos Santos | DCOMP/UFSJ |
| Rafael de Oliveira Werneck | IC/UNICAMP |
Suplentes:
| Julio Cesar dos Reis | IC/UNICAMP |
| Moacir Antonelli Ponti | ICMC/USP |