@MASTERSTHESIS{ 2021:578504947,
 	title = {Avaliação do desempenho de modelos de predição do risco de quedas relacionado aos medicamentos prescritos em adultos e idosos hospitalizados por meio de aprendizado de máquina},
 	year = {2021},
 	url = "http://tede2.pucrs.br/tede2/handle/tede/9777",
 	abstract = "INTRODUÇÃO: As quedas podem ser uma das consequências do uso de fármacos de risco e/ou de interações medicamentosas. O aprendizado de máquina possibilita novas abordagens na identificação de riscos. Foi identificada somente uma ferramenta que avalia o risco de queda relacionado ao uso de medicamentos. Não foram identificados estudos que analisem os medicamentos como fatores de risco para quedas por meio de aprendizado de máquina. OBJETIVO: Avaliar o desempenho de modelos de predição do risco de quedas relacionado aos medicamentos prescritos em adultos e idosos hospitalizados por meio de aprendizado de máquina. MÉTODO: Estudo de caso-controle, retrospectivo, com adultos e idosos hospitalizados no Hospital Nossa Senhora da Conceição no ano de 2016. Foram investigados a idade, os medicamentos prescritos e as classes medicamentosas. Os dados foram exportados para o software RStudio para análise estatística. O projeto foi aprovado pela Comissão Científica da Escola de Medicina da Pontifícia Universidade Católica do Rio Grande do Sul e está vinculado ao projeto guarda-chuva intitulado “Detecção automática de eventos adversos utilizando processamento de linguagem natural nos prontuários eletrônicos de um hospital terciário”, aprovado pelo Comitê de Ética em Pesquisa. RESULTADOS: Os modelos de predição desenvolvidos por meio de aprendizado de máquina apresentaram melhor desempenho em relação a um modelo generalizável existente. Os modelos desenvolvidos por meio do algoritmo gradient boosting, em geral, apresentaram melhor performance em relação aos demais. Os modelos com melhor performance na população apresentaram queda no desempenho, quando aplicados ao subgrupo de idosos. DISCUSSÃO: O presente estudo comprovou que, na população estudada, um modelo construído a partir de um conjunto de dados de um hospital específico apresenta resultados melhores em relação a uma ferramenta generalizável. Ferramentas como o Medication Fall Risk Score são restritas a algumas variáveis, considerando que os próprios profissionais da saúde devem avaliar e calcular o escore. O preenchimento dessas ferramentas exige tempo e dedicação dos profissionais, que poderiam ser aplicados na assistência. Destacaram-se os modelos construídos a partir do algoritmo Gradient Boosting, tanto com os medicamentos como variáveis, quanto com as classes medicamentosas. Quando aplicados na amostra de idosos, os modelos construídos com base na população apresentaram queda na performance. Portanto, optou-se por desenvolver um modelo específico para essa amostra. CONCLUSÃO: Modelos de predição construídos por meio de algoritmos de aprendizado de máquina podem auxiliar na identificação de riscos e aprimorar a assistência prestada aos pacientes. O trabalho dos profissionais da saúde não será
 substituído e o tempo despendido na aplicação de escalas pode ser direcionado a outros aspectos importantes da assistência à saúde.",
 	publisher = {Pontifícia Universidade Católica do Rio Grande do Sul},
 	scholl = {Programa de Pós-Graduação em Gerontologia Biomédica},
 	note = {Escola de Medicina}
}