Artificial intelligence forecasting mortality at an intensive care unit and comparison to a logistic regression system / Inteligência artificial que prevê a mortalidade em uma unidade de terapia intensiva e comparação com um sistema de regressão logística

ABSTRACT Objective To explore an artificial intelligence approach based on gradient-boosted decision trees for prediction of all-cause mortality at an intensive care unit, comparing its performance to a recent logistic regression system in the literature, and a logistic regression model built on the same platform. Methods A gradient-boosted decision trees model and a logistic regression model were trained and tested with the Medical Information Mart for Intensive Care database. The 1-hour resolution physiological measurements of adult patients, collected during 5 hours in the intensive care unit, consisted of eight routine clinical parameters. The study addressed how the models learn to categorize patients to predict intensive care unit mortality or survival within 12 hours. The performance was evaluated with accuracy statistics and the area under the Receiver Operating Characteristic curve. Results The gradient-boosted trees yielded an area under the Receiver Operating Characteristic curve of 0.89, compared to 0.806 for the logistic regression. The accuracy was 0.814 for the gradient-boosted trees, compared to 0.782 for the logistic regression. The diagnostic odds ratio was 17.823 for the gradient-boosted trees, compared to 9.254 for the logistic regression. The Cohen's kappa, F-measure, Matthews correlation coefficient, and markedness were higher for the gradient-boosted trees. Conclusion The discriminatory power of the gradient-boosted trees was excellent. The gradient-boosted trees outperformed the logistic regression regarding intensive care unit mortality prediction. The high diagnostic odds ratio and markedness values for the gradient-boosted trees are important in the context of the studied unbalanced dataset.

RESUMO Objetivo Explorar uma abordagem de inteligência artificial baseada em árvores de decisão impulsionadas por gradiente para previsão de mortalidade por todas as causas em unidade de terapia intensiva, comparando seu desempenho com um sistema de regressão logística recente na literatura e um modelo de regressão logística construído na mesma plataforma. Métodos Foram desenvolvidos um modelo de árvores impulsionadas por gradiente e um modelo de regressão logística, treinados e testados com o banco de dados Medical Information Mart for Intensive Care. As medidas fisiológicas de pacientes adultos com resolução de 1 hora, coletadas durante 5 horas na unidade de terapia intensiva, consistiram em oito parâmetros clínicos de rotina. Estudou-se como os modelos aprendem a categorizar os pacientes para prever a mortalidade ou a sobrevida, em unidades de terapia intensiva, em 12 horas. O desempenho foi avaliado por meio de estatísticas de acurácia e pela área sob a curva Característica de Operação do Receptor. Resultados As árvores impulsionadas por gradiente produziram área sob a curva Característica de Operação do Receptor de 0,89, em comparação com 0,806 para a regressão logística. A acurácia foi de 0,814 para as árvores impulsionadas por gradiente, em comparação com 0,782 para a regressão logística. A razão de chances de diagnóstico foi de 17,823 para as árvores impulsionadas por gradiente, em comparação a 9,254 para a regressão logística. O kappa de Cohen, a medida F, o coeficiente de correlação de Matthews e a marcação foram maiores para as árvores impulsionadas por gradiente. Conclusão O poder discriminatório das árvores impulsionadas por gradiente foi excelente. As árvores impulsionadas por gradiente superaram a regressão logística em relação à previsão de mortalidade em unidade de terapia intensiva. A alta razão de chances de diagnóstico e os valores de marcação para as árvores impulsionadas por gradiente são importantes no contexto do conjunto de dados não balanceados estudado.

In situ remote sensing as a strategy to predict cotton seed yield / Sensoriamento remoto in situ como estratégia para previsão do rendimento de semente de algodão

Crop harvest scheduling and profits and losses predications require strategies that estimate crop yield. This work aimed to investigate the contribution of phenological variables using path analysis and remote sensing techniques on cotton boll yield and to generate a model using decision trees that help predict cotton boll yield. The sampling field was installed in Chapadão do Céu, in an area of 90 ha. The following phenological variables were evaluated at 30 sample points: plant height at 26, 39, 51, 68, 82, 107, 128, and 185 days after emergence (DAE); number of floral buds at 68, 81, 107, 128, and 185 DAE; number of bolls at 185 DAE; Rededge vegetation index at 23, 35, 53, 91, and 168 DAE; and cotton boll yield. The main variables that can be used to predict cotton boll yield are the number of floral buds (at 107 days after emergence) and the Rededge vegetation index (at 53 and 91 days after emergence). To obtain higher cotton boll yields, the Rededge vegetation index must be greater than 39 at 53 days after emergence, and the plant must present at least 14 floral buds at 107 days after emergence.

O escalonamento de colheitas e a previsão de ganhos e perdas requerem estratégias que estimam a produtividade das culturas. Este trabalho teve como objetivo investigar a contribuição de variáveis fenológicas utilizando técnicas de análise de trilha e sensoriamento remoto sobre a produtividade de algodão em caroço e gerar um modelo utilizando árvores de decisão que ajudam a prever esta variável. O campo de amostragem foi instalado em Chapadão do Céu, em uma área de 90 ha. As seguintes variáveis fenológicas foram avaliadas em 30 pontos amostrais: altura das plantas aos 26, 39, 51, 68, 82, 107, 128 e 185 dias após a emergência (DAE); número de gemas florais aos 68, 81, 107, 128 e 185 DAE; número de cápsulas a 185 DAE; Índice de vegetação Rededge em 23, 35, 53, 91 e 168 DAE; e produção de algodão em caroço. As principais variáveis que podem ser utilizadas para prever a produção de caroço de algodão são o número de gemas florais (aos 107 dias após a emergência) e o índice de vegetação de Rededge (aos 53 e 91 dias após a emergência). Para obter maiores produtividades de algodão, o índice de vegetação de Rededge deve ser superior a 39 aos 53 dias após a emergência e a planta deve apresentar pelo menos 14 gemas florais aos 107 dias após a emergência.

Modelos de decisão para avaliações econômicas de tecnologias em saúde / Decision modeling for economic evaluation of health technologies

A maioria das avaliações econômicas que participam dos processos de decisão de incorporação e financiamento de tecnologias dos sistemas de saúde utiliza modelos de decisão para avaliar os custos e benefícios das estratégias comparadas. Apesar do grande número de avaliações econômicas conduzidas no Brasil, há necessidade de aprofundamento metodológico sobre os tipos de modelos de decisão e sua aplicabilidade no nosso meio. O objetivo desta revisão de literatura é contribuir para o conhecimento e o uso de modelos de decisão nos contextos nacionais das avaliações econômicas de tecnologias em saúde. Este artigo apresenta definições gerais sobre modelos e preocupações com o seu uso; descreve os principais modelos: árvore de decisão, Markov, microssimulação, simulação de eventos discretos e dinâmicos; discute os elementos envolvidos na escolha do modelo; e exemplifica os modelos abordados com estudos de avaliação econômica nacionais de tecnologias preventivas e de programas de saúde, diagnósticas e terapêuticas.

Most economic evaluations that participate in decision-making processes for incorporation and financing of technologies of health systems use decision models to assess the costs and benefits of the compared strategies. Despite the large number of economic evaluations conducted in Brazil, there is a pressing need to conduct an in-depth methodological study of the types of decision models and their applicability in our setting. The objective of this literature review is to contribute to the knowledge and use of decision models in the national context of economic evaluations of health technologies. This article presents general definitions about models and concerns with their use; it describes the main models: decision trees, Markov chains, micro-simulation, simulation of discrete and dynamic events; it discusses the elements involved in the choice of model; and exemplifies the models addressed in national economic evaluation studies of diagnostic and therapeutic preventive technologies and health programs.