dc.contributor.advisor |
Lima, Ricardo Antonio Correia |
|
dc.contributor.author |
Quadros Junior, André Ricardo de Araujo |
|
dc.date.accessioned |
2024-10-25T19:15:16Z |
|
dc.date.available |
2024-10-25T19:15:16Z |
|
dc.date.issued |
2024-02-21 |
|
dc.identifier.citation |
QUADROS JUNIOR, André Ricardo de Araujo. Aprendizagem de máquina como ferramenta para gestão de antimicrobianos: uma revisão sistemática da literatura. 2024. 29 f. Trabalho de Conclusão de Curso (Graduação em Medicina) - Universidade Federal do Estado do Rio de Janeiro, Escola de Medicina e Cirurgia, Rio de Janeiro, 2024. |
pt_BR |
dc.identifier.uri |
http://hdl.handle.net/unirio/14150 |
|
dc.description.sponsorship |
n/a |
pt_BR |
dc.language.iso |
Portuguese |
pt_BR |
dc.rights |
openAccess |
pt_BR |
dc.title |
Aprendizagem de máquina como ferramenta para gestão de antimicrobianos: uma revisão sistemática da literatura. |
pt_BR |
dc.title.alternative |
Machine learning as a tool for antimicrobial management: a systematic literature review. |
pt_BR |
dc.type |
bachelorThesis |
pt_BR |
dc.contributor.referee |
Lima, Ricardo Antônio Correia |
|
dc.contributor.referee |
Cortinhas Filho, Célio |
|
dc.contributor.referee |
Botti, Sérgio Henrique de Oliveira |
|
dc.contributor.referee |
Guimarães, Márcio Niemeyer Martins de Queiroz |
|
dc.degree.department |
CCBS |
pt_BR |
dc.degree.grantor |
Universidade Federal do Estado do Rio de Janeiro - UNIRIO |
pt_BR |
dc.degree.local |
Rio de Janeiro, RJ |
pt_BR |
dc.subject.cnpq |
CIÊNCIAS DA SAÚDE |
pt_BR |
dc.subject.cnpq |
MEDICINA |
pt_BR |
dc.subject.en |
Antibiotics |
pt_BR |
dc.subject.en |
Machine learning |
pt_BR |
dc.subject.en |
Artificial Intelligence |
pt_BR |
dc.subject.en |
Antibiotic stewardship |
pt_BR |
dc.subject.en |
Review |
pt_BR |
dc.description.abstracten |
Aim to map and analyze studies that employ machine learning in antimicrobial management. Following PRISMA 2020 guidelines, 9 out of 501 articles were obtained from PubMed/Medline, IEEE Xplorer, and Science Direct, limited to English, Spanish, and Portuguese languages, up to December 31, 2022. Eligibility criteria included studies utilizing machine learning for clinical decision-making in antimicrobial management in adults, aiming at improving clinical outcomes. Concerning the methods found, the XGBoost algorithm stood out, being tested in 4 out of 5 articles, exhibiting the best performance in 3 out of 4, achieving the highest Area Under the Receiver Operating Characteristic Curve (AURC) among all algorithms. The analysis revealed methodological gaps in the studies, raising questions about result replicability, and highlighted the scarcity of studies on the use of machine learning in antimicrobial management, with 4 out of 5 articles focusing on urinary tract infections. It emphasizes the importance of transparency and methodological rigor in machine learning studies for health, especially in describing the data used. The prevalence of studies on urinary tract infections and the geographic dominance of the United States are challenges impacting the global applicability of these approaches. It concludes that more research and investment are needed to explore the predictive potential of machine learning for antimicrobial management. |
pt_BR |
dc.description.sponsordocumentnumber |
n/a |
pt_BR |
dc.description.abstractpt |
Objetiva mapear e analisar estudos que utilizam aprendizado de máquina na gestão de antimicrobianos. Seguindo as diretrizes PRISMA 2020, 9 de 501 artigos foram obtidos das bases PubMed/Medline, IEEE Xplorer e Science Direct, restritos ao idioma inglês, espanhol e português, até a data de 31 de dezembro de 2022. Os critérios de elegibilidade incluíram estudos que utilizaram aprendizado de máquina para a tomada de decisão clínica para gestão de antimicrobianos em adultos, visando melhorias no desfecho clínico. Em relação a métodos encontrados, destacou-se algoritmo XGBoost, foi testado em 4 dos 5 artigos, possuindo o melhor desempenho em 3 dos 4, alcançando melhor desempenho de Área Sob a Curva do Receptor (AURC) dentre todos os algoritmos. A análise revelou lacunas metodológicas nos estudos, levantando questões sobre a replicabilidade dos resultados, além de destacar a escassez de estudos sobre o uso de aprendizado de máquina na gestão de antimicrobianos, com 4 de 5 dos artigos concentrando-se em infecções do trato urinário. Ressalta a importância de transparência e rigor metodológico nos estudos de aprendizado de máquina para saúde, especialmente na descrição dos dados utilizados. A predominância de estudos em infecção urinária e predomínio geográfico dos Estados Unidos são desafios que impactam a aplicabilidade global dessas abordagens. Conclui que são necessários mais estudos e investimentos para explorar o potencial preditivo do aprendizado de máquina para gestão de antimicrobianos. |
pt_BR |
dc.subject.pt |
Antibióticos |
pt_BR |
dc.subject.pt |
Aprendizado de máquina |
pt_BR |
dc.subject.pt |
Inteligência Artificial |
pt_BR |
dc.subject.pt |
Gestão de antimicrobianos |
pt_BR |
dc.subject.pt |
Revisão |
pt_BR |
dc.degree.course |
Bacharelado em Medicina |
pt_BR |
dc.degree.college |
Escola de Medicina e Cirurgia |
pt_BR |