daniellybx / projeto_predicao_pneumonia

Projeto de machine learning para predição óbitos de pacientes internados por pneumonia.

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

Predição de mortalidade em internações por pneumonias bacterianas sensíveis à Atenção Primária no Brasil, 2017 - 2021

Contexto

Condições Sensíveis a Atenção Primária (CSAP) são definidas como condições de saúde que podem ser detectadas em uma boa atenção primária e prevenidas de uma possível atenção hospitalar. Ainda engloba complicações que podem ser prevenidas com cuidados precoces ou imunização, além de doenças crônicas que devem ser diagnosticadas e acompanhadas na atenção primária.

A principal causa de internação por condições sensíveis à APS no Brasil são as pneumonias bacterianas. O Brasil é um dos países em que ocorre o maior número de casos. O tratamento de pneumonia bacteriana também é conhecido, sendo predominantemente a antibioticoterapia a primeira linha de cuidado da doença

Diante desse cenário, é importante identificar quais os fatores que estão associados a um desfecho de mortalidade para a doença em um cenário de internação plenamente evitável. Nesse sentido, o objetivo do trabalho é predizer a mortalidade em pacientes internados por pneumonia bacteriana no SUS e identificar fatores associados a esse desfecho.

Objetivo

  • Predizer mortalidade em pacientes internados por pneumonia bacteriana no SUS
  • Identificar fatores associados à mortalidade por pneumonia bacteriana em pacientes internados

Material e Métodos

Estudo preditivo considerando como desfecho a morte de pessoas internadas por pneumonia bacteriana no Brasil entre 2017 e 2021. O estudo considera todas as internações por pneumonia bacteriana no período.

A fonte de dados é a base anonimizada de Autorizações de Internação Hospitalar (AIH) reduzidas do Sistema de Informações Hospitalares do Sistema Único de Saúde (SIH-SUS), disponível publicamente por meio Departamento de Informática do SUS (DATASUS) do endereço https://datasus.saude.gov.br/transferencia-de-arquivos/.

Para o projeto, são consideradas as CID elencadas na Portaria Nº 221, de 17 de abril de 2008 considerando o grupo 6, que inclui as pneumonias bacterianas. Nesse grupo, estão incluídos os seguintes códigos de Classificação Internacional de Doenças (CID)- 10ª versão:

  • Pneumonia Pneumocócica (J13)
  • Pneumonia por Haemophilus infuenzae (J14)
  • Pneumonia por Streptococus (J15.3, J15.4)
  • Pneumonia bacteriana NE (J15.8, J15.9)
  • Pneumonia lobar NE (J18.1)

Como variável dependente é considerada a morte e como vaáriaveis preditoras são consideradas as 8 variáveis disponíveis na tabela.

Variável Identificação no SIH Descrição
Morte MORTE Indica se o internado evoluiu a óbito
Número da AIH N_AIH Identificação da AIH
Idade IDADE Indica a idade do internado no momento da internação
Sexo SEXO Indica o sexo do internado
Unidade Federada UF_ZI Código do IBGE para a unidade da federação em que a internação ocorreu
Número de filhos NUM_FILHOS Indica a quantidade de filhos declarada pelo internado
Grau de instrução INSTRU Indica o grau de instrução do internado
CID da causa da morte CID_MORTE Indica o grau de instrução do internado
Permanência DIAS_PERM Indica quantos dias o internado permaneceu no estabelecimento de saúde
Diagnóstico Principal DIAG_PRINC CID do diagnóstico principal
Diagnóstico Secundário DIAG_SECUN CID de comorbidades apresentadas na internação
Data de Internação DT_INTER Data de internação
Ano de competência da Internação ANO_CMPT Ano de competência do registro da AIH
Mês de competência da Internação MES_CMPT Mês de competência do registro da AIH
Tipo de UTI MARCA_UTI Indica qual o tipo de UTI utilizada pelo internado
Permanência na UTI UTI_MES_TO Dias de permanência na UTI durante o mês referente
Infecção hospitalar INFEHOSP Indica o status de infeção hospitalar do internado

Tecnologias usadas

  • Python 3.8.10
  • Jupyter Notebook

Índice do repositório

  • documentos: inclui os documentos que ajudam a compreender os dados;
  • imagens: inclui os gráficos e imagens do trabalho;
  • primeira_versao: contém os resultados apresentados na primeira versão do trabalho;
  • 01_importando_sim_pysus: importacao de dados do pysus para a análise atualizada;

Pastas

  • documentos: documentos de auxílio dos dados
  • imagens: gráficos e figuras incluídas no documento

About

Projeto de machine learning para predição óbitos de pacientes internados por pneumonia.


Languages

Language:Jupyter Notebook 99.8%Language:Python 0.2%