DEFESA DE DISSERTAÇÃO DE MESTRADO – Rayssa Nascimento da Silva
Rayssa Nascimento da Silva
ORIENTADOR(ES): Ana Cristina Bicharra Garcia
RESUMO DA DISSERTAÇÃO/TESE: O estudo investiga o impacto da Inteligência Artificial (IA) na classificação de admissão hospitalar, com foco na identificação de pacientes liberados do pronto-socorro que foram readmitidos em até sete dias, visando detectar inconsistências na triagem humana e compará-las com previsões automatizadas. Foram aplicadas técnicas avançadas de aprendizado de máquina, como Random Forest (RF) e redes neurais, utilizando métodos de balanceamento de dados (SMOTE, Random versampling, Class Weights e K-Fold Cross-Validation) para melhorar a generalização em um conjunto de dados desbalanceado, composto por 7.525 registros (1.945 pacientes) após filtragem de casos oncológicos. Os resultados revelaram 4,11% de inconsistências na triagem humana (80 casos), reforçando a necessidade de maior precisão na classificação para evitar readmissões desnecessárias. O Random Forest demonstrou robustez, com 72,79% de precisão mediana (AUC: 0,76, F1: 0,80), enquanto a rede neural obteve 70,3% de precisão média (AUC: 0,75, F1: 0,75), destacando-se na análise de importância de variáveis, onde sinais vitais emergiram como fatores críticos. O estudo evidencia a superioridade do RF em lidar com dados médicos complexos, sua capacidade de identificar padrões ocultos e a eficácia de técnicas de
reamostragem para mitigar viés em datasets desbalanceados. Conclui-se que a IA pode complementar decisões clínicas, reduzindo erros e melhorando o prognóstico, com implicações
diretas na otimização de fluxos hospitalares e redução de custos e mortalidade.
BANCA EXAMINADORA:
Ana Cristina Bicharra Garcia UNIRIO (Presidente da banca)
Juliana França – UFRJ
Laura Moraes – UNIRIO
Adriana Vivacqua – UFRJ
Sean Siqueira – UNIRIO
DATA/HORA DE DEFESA: 15/09/2025 15h
LOCAL DA DEFESA (em caso de defesa remota, informar o link da sala): Sala PPGI
