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
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.