Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

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

Identification

Clé publique
radar:r-2eae83091a8dc5d5116f6bf717199186
Auteurs
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
Année déclarée
2026
Langue déclarée
pt
Type source
article
Première détection
2026-11-13T12:49:50.828517+00:00
Dernière observation des métadonnées
2026-11-13T12:49:50.828517+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Universidade do Estado do Pará

Pays d’affiliation déclarés

BR

Résumé documentaire — langue originale

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.

Identifiants

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

Repères documentaires

Famille documentaire
article
Types déclarés par les sources
article
Éditeurs
Editora Dom Helder

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

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 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

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 — Bibliothèque juridique mondiale des droits de la Nature. PREDIÇÃO DE APENDICITE COMPLICADA POR MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS HEMATOLÓGICOS E ÍNDICES INFLAMATÓRIOS: ESTUDO OBSERVACIONAL RETROSPECTIVO. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-2eae83091a8dc5d5116f6bf717199186/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.18623/rvd.v23.7952

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature