Please use this identifier to cite or link to this item: http://hdl.handle.net/10773/21918
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPereira, Isabel Maria Simõespt
dc.contributor.authorRocha, Tânia Rafaela Gonçalves dapt
dc.date.accessioned2018-01-30T09:45:04Z-
dc.date.available2018-01-30T09:45:04Z-
dc.date.issued2017-
dc.identifier.urihttp://hdl.handle.net/10773/21918-
dc.descriptionMestrado em Matemática e Aplicaçõespt
dc.description.abstractVivemos, atualmente, num mundo repleto de números e dados, que, sendo devidamente recolhidos, organizados e interpretados podem sustentar importantes decisões nos mais variados setores. Foi também com este propósito que este trabalho foi desenvolvido, de forma a poder auxiliar a comunidade médica a travar a principal causa de morbilidade e mortalidade neonatal - Sépsis. Assim, será descrito ao longo de todo este trabalho, um modelo com um boa capacidade preditiva do risco de Sépsis/ Meningite em Prematuros de muito baixo peso. A base de dados cuja análise está na base deste trabalho foi cedida pela Sociedade Portuguesa de Neonatologia e é composta pelos registos de 7506 indivíduos relativamente a 128 variáveis. Foram descartadas cerca de metade das variáveis (relacionadas com datas e registos associados a Transferência e Internamento) uma vez que não teriam qualquer impacto nos modelos que seriam construídos. Foi aplicado o método de imputação dos k-vizinhos mais próximos para o tratamento dos valores omissos e o método Stepwise para a escolha das variáveis a considerar nos modelos. Conseguiu-se reduzir a colinearidade dos dados pela análise dos fatores de inflação da variância (VIF) e melhorar, assim, a capacidade preditiva do modelo. Recorreu-se ao modelo de regressão logística uma vez que a variável resposta - Sépsis/Meningite é uma variável dicotómica e analisou-se, também, modelos de regressão por penalização - Lasso, Ridge e Elastic Net, de forma a tentar melhorar a capacidade preditiva dos modelos.pt
dc.description.abstractWe are living, today, in a world full of numbers and data, which, when properly collected, organized and interpreted, can sustain important decisions in the most varied sectors. It was also for this purpose that this work was developed, in order to help the medical community to stop the main cause of neonatal morbidity and mortality - Sepsis. Thus, a model with a good predictive capacity of the risk of Sepsis/Meningitis in very low birth weight infants will be described throughout this study. The database whose analysis is the basis of this work was provided by the Portuguese Society of Neonatology and is composed by the records of 7506 individuals regarding 128 variables. About half of the variables (related to dates and records associated with relocation) were discarded because they would have no impact on the models that would be constructed. The imputation method of the nearest k-neighbors was applied for the treatment of missing values and the Stepwise method for choosing the variables to consider in the models. It was possible to reduce the collinearity of the data by analyzing the variance inflation factors (VIF) and thus improve the predictive capacity of the model. The logistic regression model was used because the response - Sepsis/Meningitis variable is a dichotomous variable, and regression models were also analyzed by penalization - Lasso, Ridge and Elastic Net, in order to improve the predictive capacity of the models.pt
dc.language.isoporpt
dc.publisherUniversidade de Aveiropt
dc.rightsopenAccesspor
dc.subjectMatemática e aplicaçõespt
dc.subjectAnálise de regressãopt
dc.subjectRecém-nascidospt
dc.subjectRegressão logísticapt
dc.subject.otherANOVApt
dc.subject.otherColinearidadept
dc.subject.otherCurva ROCpt
dc.subject.otherImputaçãopt
dc.subject.otherPrevisãopt
dc.subject.otherRegressão logísticapt
dc.subject.otherSeleção de variáveispt
dc.subject.otherSépsispt
dc.subject.otherValor omissopt
dc.titleRisco de sépsis/meningite em prematuros de muito baixo pesopt
dc.title.alternativeRisk of sepsis/meningitis in very low birth weight newbornspt
dc.typemasterThesispt
thesis.degree.levelmestradopt
thesis.degree.grantorUniversidade de Aveiropt
dc.identifier.tid201940248-
Appears in Collections:MAT - Dissertações de mestrado
UA - Dissertações de mestrado

Files in This Item:
File Description SizeFormat 
Dissertação.pdf1.18 MBAdobe PDFView/Open


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Degois 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.