UDTR Global Radar

UDTR Global Rights of Nature Radar

Documentary registry of records detected across the scholarly, legal and institutional infrastructures monitored by UDTR.

A global documentary infrastructure designed to achieve the broadest verifiable and scientifically defensible coverage of the Rights of Nature.

← Back to Radar

PREDIÇÃO DE APENDICITE COMPLICADA POR MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS HEMATOLÓGICOS E ÍNDICES INFLAMATÓRIOS: ESTUDO OBSERVACIONAL RETROSPECTIVO

Identification

Public canonical key
radar:r-2eae83091a8dc5d5116f6bf717199186
Authors
Marielle de Nazaré Gonçalves de Lima e Silva · Pedro Henrique Lima Brito · Maria Vitória Dias do Carmo · Letícia Adriane Medeiros da Silva · marjorie de nazaré gonçalves de lima e silva · Ismael Duarte Lima · Patrícia Alencar Pinto · Rosemary Maria Pimentel Coutinho · Patrícia Danielle Lima de Lima · Elzelis Muller da Silva · Vitória Nazaré Costa Seixas · Wilker José Caminha dos Santos · Renilde Ribeiro Xavier · Janilton Cavalcante Aranha Júnior · Thiago Nicolau Magalhães de Souza Conte
Reported year
2026
Reported language
pt
Source type
article
First detected
2026-11-13T12:49:50.828517+00:00
Last metadata observation
2026-11-13T12:49:50.828517+00:00
Last HTTP verification
Not checked

Institutions reported by the source

Universidade do Estado do Pará

Reported affiliation countries

BR

Documentary abstract — original language

A identificação precoce da apendicite complicada é um desafio clínico relevante para otimizar a tomada de decisão terapêutica e reduzir complicações. Este estudo teve como objetivo desenvolver e comparar modelos de aprendizado de máquina para sua predição utilizando dados obtidos na admissão hospitalar. Trata-se de estudo observacional retrospectivo com 245 pacientes submetidos à apendicectomia em hospital público de referência, entre janeiro e dezembro de 2023. Foram avaliados Random Forest, Support Vector Machine, Naive Bayes e Regressão Logística, utilizando dados demográficos, parâmetros hematológicos e índices inflamatórios derivados do hemograma (NLR, PLR e SII). O desempenho foi avaliado por AUC, acurácia, sensibilidade, precisão, escore F1 e MCC. Pacientes com apendicite complicada apresentaram maiores contagens de leucócitos, neutrófilos segmentados e bastonetes, além de NLR e SII significativamente superiores (p<0,05). O Random Forest apresentou o melhor desempenho, com AUC de 0,997, acurácia, sensibilidade, precisão e F1 de 97,7%, e MCC de 0,953. Modelos baseados em dados disponíveis na admissão apresentam elevado potencial para predizer apendicite complicada, embora estudos prospectivos multicêntricos com validação externa sejam necessários antes de sua incorporação à prática clínica.

Identifiers

OPENALEX
https://openalex.org/W7204445174
DOI
10.18623/rvd.v23.7952

Documentary context

Documentary family
article
Source-reported types
article
Publishers
Editora Dom Helder

Entity mentions are not evidence of legal recognition. Jurisdiction studied is separate from author affiliation country.

Sources

OpenAlex · Record 1

Cite this reference

Marielle de Nazaré Gonçalves de Lima e Silva; Pedro Henrique Lima Brito; Maria Vitória Dias do Carmo; Letícia Adriane Medeiros da Silva; marjorie de nazaré gonçalves de lima e silva; Ismael Duarte Lima; Patrícia Alencar Pinto; Rosemary Maria Pimentel Coutinho; Patrícia Danielle Lima de Lima; Elzelis Muller da Silva; Vitória Nazaré Costa Seixas; Wilker José Caminha dos Santos; Renilde Ribeiro Xavier; Janilton Cavalcante Aranha Júnior; Thiago Nicolau Magalhães de Souza Conte. PREDIÇÃO DE APENDICITE COMPLICADA POR MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS HEMATOLÓGICOS E ÍNDICES INFLAMATÓRIOS: ESTUDO OBSERVACIONAL RETROSPECTIVO. 2026. https://doi.org/10.18623/rvd.v23.7952

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690: bibliographic formats using available fields. OSCOLA / Bluebook: structured data only; full legal citation compliance is not claimed without verification of required elements.

APA
Marielle de Nazaré Gonçalves de Lima e Silva; Pedro Henrique Lima Brito; Maria Vitória Dias do Carmo; Letícia Adriane Medeiros da Silva; marjorie de nazaré gonçalves de lima e silva; Ismael Duarte Lima; Patrícia Alencar Pinto; Rosemary Maria Pimentel Coutinho; Patrícia Danielle Lima de Lima; Elzelis Muller da Silva; Vitória Nazaré Costa Seixas; Wilker José Caminha dos Santos; Renilde Ribeiro Xavier; Janilton Cavalcante Aranha Júnior; Thiago Nicolau Magalhães de Souza Conte. (2026). PREDIÇÃO DE APENDICITE COMPLICADA POR MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS HEMATOLÓGICOS E ÍNDICES INFLAMATÓRIOS: ESTUDO OBSERVACIONAL RETROSPECTIVO. https://doi.org/10.18623/rvd.v23.7952
Chicago
Marielle de Nazaré Gonçalves de Lima e Silva; Pedro Henrique Lima Brito; Maria Vitória Dias do Carmo; Letícia Adriane Medeiros da Silva; marjorie de nazaré gonçalves de lima e silva; Ismael Duarte Lima; Patrícia Alencar Pinto; Rosemary Maria Pimentel Coutinho; Patrícia Danielle Lima de Lima; Elzelis Muller da Silva; Vitória Nazaré Costa Seixas; Wilker José Caminha dos Santos; Renilde Ribeiro Xavier; Janilton Cavalcante Aranha Júnior; Thiago Nicolau Magalhães de Souza Conte. PREDIÇÃO DE APENDICITE COMPLICADA POR MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS HEMATOLÓGICOS E ÍNDICES INFLAMATÓRIOS: ESTUDO OBSERVACIONAL RETROSPECTIVO. 2026. https://doi.org/10.18623/rvd.v23.7952
ISO 690
Marielle de Nazaré Gonçalves de Lima e Silva; Pedro Henrique Lima Brito; Maria Vitória Dias do Carmo; Letícia Adriane Medeiros da Silva; marjorie de nazaré gonçalves de lima e silva; Ismael Duarte Lima; Patrícia Alencar Pinto; Rosemary Maria Pimentel Coutinho; Patrícia Danielle Lima de Lima; Elzelis Muller da Silva; Vitória Nazaré Costa Seixas; Wilker José Caminha dos Santos; Renilde Ribeiro Xavier; Janilton Cavalcante Aranha Júnior; Thiago Nicolau Magalhães de Souza Conte. PREDIÇÃO DE APENDICITE COMPLICADA POR MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS HEMATOLÓGICOS E ÍNDICES INFLAMATÓRIOS: ESTUDO OBSERVACIONAL RETROSPECTIVO. 2026. https://doi.org/10.18623/rvd.v23.7952

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR Global Rights of Nature Legal Library. PREDIÇÃO DE APENDICITE COMPLICADA POR MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS HEMATOLÓGICOS E ÍNDICES INFLAMATÓRIOS: ESTUDO OBSERVACIONAL RETROSPECTIVO. Documentary record: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-2eae83091a8dc5d5116f6bf717199186/ · Last HTTP verification: not performed

Report a correction

Frozen-version metadata

Research dossiers and documentary relations

Source roles

Bibliographic / original publication source · https://doi.org/10.18623/rvd.v23.7952

An authority link alone does not verify a legal claim. Abstracts and full texts remain subject to their source terms.

Documentary status

Relevance pending

Library

This identity is not yet included in the Legal Library.

UDTR Global Rights of Nature Legal Library