Aplicação de Mineração de Dados para Predição de Mortalidade em UTI: balanceamento, dados ausentes e classificadores

Abstract

Escores de severidade fornecem um índice consolidado do estado de saúde do paciente na UTI. Estes escores são baseados em modelos lineares e em análises das variáveis isoladamente. Trabalhos prévios aplicaram mineração de dados para indução de modelos mais complexos de predição, mas não se aprofundaram na análise do desbalanceamento de classes e tratamento dos dados ausentes. Este trabalho analisou técnicas de balanceamento e imputação de valores, em conjunto com modelos de classificação de Random Forest (RF), Redes Neurais Artificiais (RNA) e Regressão Logística (RL). Como resultado a RF obteve o melhor desempenho, com a AUC média de 0.7840.006, sensibilidade de 0.7380.002 e especificidade de 0.7000.003 com valores ausentes substituídos por valores padrões e treinada com a base com sub-amostragem NCL.