Aprendizagem de máquina como ferramenta para gestão de antimicrobianos: uma revisão sistemática da literatura.

Quadros Junior, André Ricardo de Araujo

DSpace Home
→
Centro de Ciências Biológicas e da Saúde (CCBS)
→
Medicina
→
MEDI - Trabalhos de Conclusão de Curso - Graduação
→
View Item

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