ANALYSIS OF THE RISK CLASSIFICATION OF THE BRADEN SCALE IN AN INTENSIVE CARE UNIT FROM THE PERSPECTIVE OF DATA MINING
ANÁLISIS DE LA CLASIFICACIÓN DE RIESGO DE LA ESCALA DE BRADEN EN UNA UNIDAD DE TERAPIA INTENSIVA, DESDE LA PERSPECTIVA DE LA MINERÍA DE DATOS
REGISTRO DOI: 10.5281/zenodo.8225773
Yara Cristina da Silva de Bezerra1
Ilmara Pinheiro Limão2
Felipe Macedo Zumba3
Dr. Efrain Pantaleon Matamoros4
Resumo
A Escala de Braden tem o objetivo de classificar o paciente quanto à incidência de lesão por pressão (LP). Nesse sentido, a finalidade desse estudo é evidenciar as melhores regras de associação para os pacientes clínicos e adultos internados no ano de 2016 em uma Unidade de Terapia Intensiva (UTI), na classificação de risco da Escala de Braden, em um hospital privado da cidade de Natal/RN. Trata-se de um estudo descritivo, transversal e quantitativo. Para a coleta de dados utilizou-se de um instrumento estruturado, baseado no Protocolo para Prevenção de LP. A mineração dos dados foi realizada no software Waikato Environment for Knowledge Analysis (Weka), analisando os itens percepção sensorial, umidade, nível de atividade física, mobilidade, nutrição, fricção e cisalhamento, resultando no conhecimento das melhores regras de associação dos itens analisados quanto à gravidade e incidência de LP nos pacientes.
Palavras-chave: Escala Braden; Lesão por Pressão; Mineração de dados; Weka.
Abstract
The Braden Scale aims to classify the patient regarding the incidence of pressure injury (LP). In this sense, the purpose is to find the best association rules for clinical and adult patients from the year 2016 of an Intensive Care Unit (ICU), in the risk classification of the Braden Scale, in a private hospital in the city of Natal / RN, from the perspective of data mining. This is a descriptive, qualitative study of the exploratory type of patients admitted to the ICU. For the data collection, a structured instrument was used, based on the Protocol for the Prevention of LP. Data mining was performed in the Waikato Environment for Knowledge Analysis (WEKA) software, analyzing the items sensory perception, moisture, physical activity level, mobility, nutrition, friction and shear, resulting in the knowledge of the best association rules of the items analyzed. To the severity and incidence of LP in patients.
Keywords: Braden Scale; Pressure Injury; Data mining; WEKA.
Resumen
La Escala de Braden tiene el objetivo de clasificar al paciente en cuanto a la incidencia de lesión por presión (LP). En este sentido, la finalidad es encontrar las mejores reglas de asociación para los pacientes clínicos y adultos del año 2016 de una Unidad de Terapia Intensiva (UTI), en la clasificación de riesgo de la Escala de Braden, en un hospital privado de la ciudad de Natal / RN, desde la perspectiva de la minería de datos. Se trata de un estudio descriptivo, cualitativo del tipo exploratorio de pacientes admitidos en la UTI. Para la recolección de datos se utilizó un instrumento estructurado, basado en el protocolo para la prevención de LP. La minería de datos se realizó en el software Waikato Environment for Knowledge Analysis (WEKA), analizando los elementos percepción sensorial, humedad, nivel de actividad física, movilidad, nutrición, fricción y cizallamiento, resultando en el conocimiento de las mejores reglas de asociación de los ítems analizados como La gravedad y la incidencia de LP en los pacientes.
Palabras clave: Escala Braden; Lesión por Presión; Minería de datos; WEKA.
Introdução
O volume de informação gerada durante os processos de internação dos pacientes em uma Unidade de Terapia Intensiva (UTI), é consideravelmente alta. Por esta razão, a maneira com que os dados são informados, na maioria das vezes é inconsistente e não padronizada, o que dificulta a análise dos dados e a interpretação dos problemas, por parte dos profissionais da área da saúde. Paralelamente, a quantidade e magnitude dos problemas identificados requer dos profissionais conhecimento, para um eficiente tratamento das doenças e prevenção das complicações dos pacientes internados em UTI. Transformar essas inúmeras informações em conhecimento é imprescindível para o sucesso na recuperação de pacientes em estado crítico.
A mineração de dados constitui uma alternativa para processar grandes volumes de dados dos Sistemas de Informação em Saúde, dada a sua capacidade de descobrir padrões úteis, novos e surpreendentes, possibilitando o apoio em análises complexas sobre dados clínicos.
O Knowledge Discovery in Databases (KDD), por sua vez, é um processo geral para a conversão de dados brutos em informações úteis (FAYYAD; PIATETSKY SHAPIRO; SMYTH, 1996) e tipicamente constituído pelas etapas de pré-processamento, que envolve a de seleção, limpeza e preparação dos dados; processamento, que trata da descoberta de padrões de construção de conhecimento mediante algoritmos de mineração; pós-processamento, que refina os resultados obtidos durante o processamento, seja compondo novos padrões ou avaliando seu interesse; e interpretação dos padrões extraídos, culminando na obtenção de conhecimentos antes ocultos.
O Waikato Environment for Knowledge Analysis (WEKA) contém um vasto conjunto de algoritmos de preparação de dados, aprendizagem de máquina e de validação de resultados (J48,
SimpleKmeans, Apriori, Naive Bayes, dentre outros) (Witten & Frank, 2000). Nele são encontradas ferramentas para pré-processamento dos dados, classificação, regressão, agrupamento, regras de associação e visualização.
Várias são as etapas para a utilização da mineração de dados, que se inicia com a preparação das bases de dados, a seleção dos algoritmos que melhor se adequa ao problema proposto e, por fim, a análise dos resultados, ou seja, dos padrões descobertos. Por isso mesmo, apesar de todo desenvolvimento já realizado, essa área continua sendo objeto de pesquisas por novas soluções que se aproximem do real interesse dos potenciais usuários. As razões da constante pesquisa se devem ao fato de que, apesar da existência de várias experimentações quanto ao uso de mineração de dados, ainda é baixa a sua adoção nos processos de tomada de decisão diários (MARISCAL; MARBÁN; FERNANDEZ, 2010), por causa da pouca familiaridade dos especialistas com a metodologia, vantagens e dificuldades (MEYFROIT et al., 2009), a prevalência de estudos estatísticos com objetivo de revelar relações lineares simples entre os fatores de saúde (CRUZ-RAMIRES et al., 2012) ou, ainda, da exploração comparativa de técnicas de mineração de dados, deixando de lado etapas relativas à interpretação e avaliação de resultados (BLOMBERG, 2010).
Já referente ao importante aspecto de cuidado é a manutenção da integridade da pele nos pacientes internos na UTI, as lesões constituem problemas graves e caros, de acordo com Rocha e Barros (2015). Nesse contexto, foram constituídos vários instrumentos e protocolos com o intuito de assegurar a qualidade da assistência. Dentre esses, são apresentadas pela literatura as escalas de avaliação que predizem a ocorrência de Lesão por Pressão (LP). Das mais conhecidas e utilizadas no Brasil, destaca-se a Escala de Braden (EB).
Alguns estudos mostram que, para avaliar o risco dos pacientes desenvolverem LP em ambiente hospitalar, é possível e imprescindível que se utilize as escalas de predição de risco como forma de avaliação. A Escala de Braden, por exemplo, compõem um instrumento preditivo que avalia o risco de acordo com parâmetros tais como: mobilidade, umidade, atividade física, fricção e cisalhamento em pacientes acamados, percepção sensorial, fatores nutricionais, que possibilitam maior resolubilidade das ações preventivas (SOUSA; SANTOS e SILVA, 2015). Cinco dessas subescalas são pontuadas de 1 a 4, exceto fricção e cisalhamento, pontuados de 1 a 3. Uma breve descrição de critérios que deverão ser considerados pelos avaliadores é inserida em cada subescala. Os escores das seis subescalas resultam num escore de risco total que varia de 6 a 23, sendo a pontuação mais baixa a que indica maior risco de desenvolver LP (CHO E NOH, 2010).
Portanto, o risco que o paciente tem de desenvolver tais lesões, pela Escala de Braden, é classificado da seguinte forma: pacientes com escore igual ou menor que 9: risco muito alto; pacientes com escore igual ou entre 10 e 12: risco alto; pacientes com escore 13 ou 14: risco moderado e pacientes com escores 15 ou 16 (adultos) e 17 ou 18 (idosos): risco baixo (AYELLO, 2015).
Braden também estabeleceu recomendações relacionadas à frequência de avaliações, especificamente em UTI: o paciente deve ser avaliado no momento da admissão, após 48 horas; em instituições de longa permanência, na admissão e na primeira semana, a cada 48 horas; no primeiro mês, uma vez na semana e/ou quando houver alguma alteração no estado geral; e, em Home Care, na admissão e a cada visita domiciliar (BRADEN e MAKLEBUST, 2010).
O hospital adaptou o protocolo criando uma lista de verificação de Lesão por Pressão, que estabelece a classificação do risco em desenvolver LP de acordo com o Quadro 1:
Quadro 1: Características avaliadas na classificação da Escala de Braden
Fonte: Adaptado de Souza e Santos (2011)
O somatório da pontuação adquirida a partir da classificação da Escala de Braden estabelece a classificação do risco em desenvolver uma LP, como mostra o Quadro 2:
Quadro 2: Classificação de risco da Escala de Braden
Fonte: Adaptado de Souza e Santos (2011)
Cada classificação de risco define condutas e recomendações a serem seguidas pela equipe de enfermagem para garantia da não abertura da lesão, sendo importante informar que o protocolo da Agência Nacional de Vigilância Sanitária (ANVISA) preconiza a reavaliação por turno, mas o hospital estabeleceu que o paciente é reavaliado apenas uma vez ao dia. Os protocolos instituídos pela ANVISA são diretrizes que norteiam as instituições a elaborarem suas rotinas para execução das boas práticas na linha do cuidado ao paciente.
Com base nisso, este artigo tem como objetivo mostrar as melhores regras de associação para os pacientes clínicos e adultos do ano de 2016 de uma Unidade de Terapia Intensiva (UTI), na classificação de risco da Escala de Braden, em um hospital privado da cidade de Natal/RN, sob a perspectiva da mineração de dados. Com a finalidade de solucionar a seguinte problemática: quais são a relevância e as regras dos atributos analisados no que tange à incidência de LP nos pacientes, quando associada a classificação de risco da Escala Braden?
Este artigo está organizado da seguinte maneira: a próxima seção apresenta o tema lesão por pressão, mostrando sua definição e a maneira como é avaliada pela Escala de Braden; a seção 3 apresenta o conceito de mineração de dados, descrevendo a ferramenta utilizada neste estudo; a seção 4 apresenta a metodologia do estudo, dividida nas subseções; preparação da base de dados, pré-processamento e transformação dos dados, técnica de mineração de dados associação com algoritmo Apriori e, finalizando, com a construção dos modelos. A seção 5 apresenta, detalhes dos resultados alcançados. A seção 6 mostra as discussões oriundas dos resultados analisados. A última seção proporciona conclusões e direcionamentos para trabalhos futuros.
Estratégia Metodológica
A pesquisa evidenciada neste artigo é caracterizada como descritiva, de caráter exploratório, cujo espaço amostral considerou a coleta dos dados de 259 admissões na UTI clínica adulta, contemplando o universo de 241 pacientes distintos no ano de 2016, gerando 1473 registros de avaliações e reavaliações da lista de verificação de Lesão por Pressão. Vale ressaltar que os dados cedidos foram utilizados neste trabalho exclusivamente para pesquisa, preservando a identidade e a integridade dos pacientes.
Preparação da base de dados
Esta etapa contém as fases de coleta, integração e seleção dos dados.
O prontuário do paciente é considerado fonte de informação clínica e administrativa que concentra todos os registros médicos, de enfermagem e dos demais profissionais multidisciplinares que prestam assistência ao paciente durante a sua internação hospitalar. A lista de verificação de Lesão por Pressão é um dos documentos presentes no prontuário do paciente de forma eletrônica, através do sistema de gestão hospitalar da instituição de saúde. Ele foi adaptado a partir do Protocolo de Úlcera por Pressão da ANVISA e também da Escala de Braden, servindo como instrumento de coleta de dados para o desenvolvimento deste trabalho.
O Oracle é um sistema de gerenciamento de banco de dados da empresa Oracle Corporation, maior do mundo neste segmento. O SQL Plus é uma das ferramentas deste software, a qual foi utilizada para executar comandos SQL (Structured Query Language) com objetivo de listar e tratar os dados para a execução de técnicas de mineração de dados
Após essa seleção, os dados foram exportados para o Microsoft Excel para transformação de acordo com os pré-requisitos do algoritmo de associação chamado Apriori, do Weka. Uma segunda exportação dos dados foi realizada, desta vez para o Bloco de Notas (ferramenta nativa do Microsoft Windows), alcançando todas as formatações necessárias para transformar as colunas em modelo padrão e arquivo ARFF (attribute-relation file format), para finalmente ser manipulado pelo Weka. A Figura 1, mostra o arquivo ARFF e a seleção de onze atributos abertos no Weka.
Figura 1 – Criação do arquivo ARFF e atributos no Weka
Fonte: Elaborado pelos autores.
Um fato importante que se deve considerar é que as informações obtidas na exploração de dados são de fundamental importância para selecionar a técnica mais apropriada no pré-processamento e aprendizado gerado pela mineração de dados. Dependendo do conteúdo presente nos atributos, haverá ou não um algoritmo de aprendizado mais adequado ao seu processamento.
Pré-processamento e transformação dos dados
Durante esta fase, decidiu-se pela transformação de dados numéricos em nominais devido ser pré-requisito para a utilização do algoritmo Apriori.
A Figura 2 exemplifica transformação do atributo 1-Percepção em 1-Totalmente limitado, 1-Muito limitado, 1-Levemente limitado e 1-Nenhuma limitação. Esse ato foi repetido para todos os atributos que necessitavam de transformação numérica para nominal.
Figura 2 – Transformação de atributos numéricos em nominais Fonte: Elaborado pelos autores.
A transformação dos atributos gerou um novo arquivo ARFF, contemplando quarenta e nove atributos:
Figura 3 – Atributos selecionados para o algoritmo Apriori
Fonte: Elaborado pelos autores.
Técnica de Mineração de Dados – Associação com algoritmo Apriori
A associação é uma técnica exploratória (AGRAWAL, 1994). Ela gera regras que descrevem os padrões mais relevantes presentes nos dados. Essas regras são compostas por precedentes e consequentes, ou seja, a regra contém, no precedente, um subconjunto de atributos e seus valores e no consequente um subconjunto de atributos que decorrem do precedente. Esses atributos representam padrões em que a ocorrência de eventos em conjunto é alta. O número após o precedente significa o número de instâncias que a regra cobre; já o número após o consequente significa o número de instâncias preditas corretamente. Um exemplo de tal tipo de regra ligado ao tema deste artigo seria “75% dos pacientes que têm percepção totalmente limitada e, quanto à atividade, são acamados também têm problema de fricção”.
Quanto ao tipo de descoberta, as regras de associação são consideradas um método não supervisionado e utiliza instâncias sem a determinação do atributo classe.
As regras são representadas da seguinte forma: X => Y (lê-se X implica em Y), em que X é o antecessor e Y o consequente e X e Y são dois conjuntos de itens distintos na base de dados. Cada regra da forma X => Y possui dois atributos que determinam sua validade no conjunto de dados e que também limitam a quantidade de regras extraídas. São eles: o suporte e a confiança. Estes possibilitam o descarte das regras julgadas de pouco interesse, já que são menos frequentes e confiáveis.
O fator de suporte indica a ocorrência relativa da regra de associação observada dentro de um conjunto de dados. O fator de confiança é o grau com o qual a regra é verdadeira entre os registros individuais (Diniz & Louzada-Neto, 2000). As características são apresentadas pelas afinidades entre elas e exibem, em uma estrutura de texto, os itens correlacionados.
O valor após a palavra conf é o valor da confidência da regra. A confiança significa o percentual de ocorrência da regra, sendo calculada a partir da equação:
A técnica de mineração por associação é um processo que tenta expor as características e as tendências, ou seja, tenta determinar o relacionamento entre um conjunto de itens. A vantagem em relação às outras técnicas é simplicidade no uso. E as limitações e desvantagens?
Construção dos modelos
Nesta etapa, executou-se o algoritmo de associação Apriori em sua forma original (Figura 4) de parametrização, configurando apenas para que ele estabeleça as quinze melhores regras com valor de confiança de 90. Isso significa que serão selecionadas as regras com percentual de ocorrência acima de 90%. Além disso, padronizamos a variável lower Bound Support para que toda regra tenha o valor mínimo de 10% de cobertura do total das instâncias.
Figura 4 – Parametrização do algoritmo Apriori
Fonte: Elaborado pelos autores.
Resultados
A interpretação dos resultados de regras geradas pelo Apriori é bastante intuitiva, sendo importante o analista reunir-se com as áreas envolvidas na gestão da informação dos dados apresentados para estabelecer a tomada de decisão ideal para o referido negócio. A figura 5, mostra o caso da aplicação, as quinze regras mais fortes informam que a limitação de acamado está presente no consequente em quase todas as linhas de regras geradas. Isto serve de alerta, por exemplo, para cumprimento da mudança de decúbito com mais frequência, cujo reposicionamento alterna ou alivia a pressão sobre áreas suscetíveis à lesão. Além disso, devido à condição de acamado, medidas preventivas são necessárias para evitar a fricção e o cisalhamento da pele.
Figura 5 – Resultado das quinze melhores regras do algoritmo Apriori
Fonte: Elaborado pelo autor.
Outra consideração importante encontra-se evidente na faixa etária Maior 70 anos como precedente comum no bloco de regras. Essa faixa de idade, associada à internação Tipo Urgência ou 6-Problema quanto à fricção, implica paciente acamado.
O alto grau de confiança das regras apresentadas pela mineração dos dados evidencia que o Risco Moderado ganha destaque como classificação da Escala de Braden mesmo para pacientes acamados. Por outro lado, não houve regra que contemplasse atributos ligados ao tempo de permanência na UTI (De 10 a 15 dias, De 15 a 20 dias, De 20 a 25 dias etc.), característica que também pode contribuir para a determinação de lesão de pele.
5. Discussão
Na fase dos resultados, aplicamos simulações de regras para obter as cinco melhores, como ilustra a Figura 6, e as dez melhores regras, conforme visto na Figura 7, não encontrando diferenças relevantes entres elas, pois, em ambas, aparecem as mesmas referências quanto às características de atividade (3-Acamado), de nutrição (5-Adequada), de fricção (6-Problema), de faixa de idade (Maior 70 anos) e de sexo (Feminino). Por esse motivo foi selecionado o resultado com as quinze melhores regras, vistos na Figura 5, em função de considerar o atributo referente ao risco da classificação da Escala de Braden.
Figura 6 – Resultado das cinco melhores regras do algoritmo Apriori Fonte: Elaborado pelo autor.
Figura 7 – Resultado das dez melhores regras do algoritmo Apriori Fonte: Elaborado pelo autor.
Conclusão
Este artigo evidencia a descoberta das melhores regras de associação para os pacientes clínicos e adultos internados em 2016 na Unidade de Terapia Intensiva (UTI) de um hospital privado, de acordo com a classificação de risco da Escala de Braden, baseado na mineração de dados e utilizando o sistema Weka.
A execução da técnica de associação com o algoritmo Apriori mostrou-se útil quando esta foi aplicada aos dados extraídos no estudo de caso, uma vez que o sistema elaborou regras seguras, atendendo às expectativas da pesquisa. Testando o algoritmo na formação de cinco, dez e quinze regras, com a finalidade de obter mais confiabilidade e abrangência nas regras geradas, no que tange aos atributos avaliados.
Os atributos mais relevantes das regras analisadas, foram os pacientes acamados, com mais de 70 anos e associado à internação tipo urgência ou problema quanto à fricção, com risco moderado associado aos dias de internação. Esses atributos são referentes à incidência de LP nos pacientes, quando relacionados a classificação de risco da Escala Braden.
As técnicas e as ferramentas de mineração de dados permitiram uma visualização melhor do estudo para tomada de decisões baseadas em dados como estratégia de tratamento das doenças e prevenção de complicações. Possibilitando ao profissional da saúde não apenas tratar, mas sim, prevenir o surgimento de enfermidades.
Considerando que o Weka oferece muitas opções de técnicas para mineração de dados, sugerimos utilizar outros algoritmos a fim de fazer comparações entre eles e determinar a melhor forma de aprendizado do conhecimento, uma vez que a metodologia aplicada nesta análise pode ser utilizada em diversos cenários, não exclusivamente na área de saúde.
Referências
1. ROCHA ABL, BARROS SMO. Avaliação de risco de úlcera por pressão: propriedades de medida da versão em português da escala de Waterlow. Acta Paul Enfermagem. 2012; 20(2): 143-50. Disponível em: Acesso em 08 Fev. 2015.
2. SOUSA CA, SANTOS I, SILVA LD. Aplicando recomendações da Escala de Braden e prevenindo úlceras por pressão-evidências do cuidar em enfermagem. Revista Brasileira de Enfermagem. 2011. 59(3):279-84. Disponível em: http://www.scielosp.org/pdf/reben/v59n3/a06v59n3.pdf> Acesso em 23 Jan. 2015.
3. CHO I, NOH M. Braden Scale: evaluation of clinical use fulness in na intensive care unit. J Adv Nurs.2010;66(2):293-302.
4. AYELLO EA. Predicting pressure ulcer risk. New York: Hartford Institute for Geriatric Nursing. 2010. Disponível em: Acesso em: 22 Mar. 2015.
5. BRADEN BJ, MAKLEBUST J. Preventing pressure ulcers with the Braden Scale: An update on this easyto-use tool that assesses a patient’s risk.Am J Nurs.2010;105(6):70–2.
6. WADA A, NETO NT, FERREIRA MC. Úlcera por pressão. Rev. Med. São Paulo. 2010 [acesso em: 30 Mar 2012]; 3(89):170-7. Disponível em:
http://www.revistademedicina.org.br/ant/89- 3/14-ulceras%20pressao.pdf
7. CREMASCO MF ET AL. Úlcera por pressão: risco e gravidade do paciente e carga de trabalho de enfermagem. Rev. paul. enferm. São Paulo, 2009 [acesso em: 30 Mar 2012];22(1):897- 902. Disponível em: http://www.scielo.br/pdf/ape/v22nspe/11.pdf.
8. SERPA LF ET AL. Validade preditiva da Escala de Braden para o risco de desenvolvimento de úlcera por pressão em pacientes críticos. Rev. latinoam. Enferm. São Paulo. 2011 [acesso em: 30 Mar 2012];1(19) Disponível em: http://www.scielo.br/pdf/rlae/v19n1/pt_08.pdf.
9. SOUSA CAC, SANTOS I, SILVA LD. Aplicando recomendações da escala de Braden e prevenindo úlceras por pressão: evidências do cuidar em enfermagem. Rev. bras. enferm. Brasília, 2006 [acesso em: 20 Ago 2012];59(3). Disponível em: http://bases.bireme.br/cgibin/wxislind.exe/iah/online/?IsisScript=iah/iah.xis&src=google&base =LILACS&lang=p&nex tAction=lnk&exprSearch=480908&indexSearch=ID
10. GOMES FS ET AL. Avaliação de Risco para Úlcera por Pressão em Pacientes Críticos. Rev. Esc. Enferm. USP, São Paulo. 2011 [acesso em: 31 Mar 2012];45(2):313-18. Disponível em: http://www.scielo.br/pdf/reeusp/v45n2/v45n2a01.pdf.
11. ARAÚJO TM, ARAÚJO MFM, CAETANO JA. Comparação de escalas de avaliação de risco para úlcera por pressão em pacientes em estado crítico. Rev. paul. enferm. São Paulo. 2011 [acesso em: 15 Ago 2012];24(5):695-700. Disponível em: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103-21002011000500016&lng=en&nrm=iso&tlng=pt
12. BAVARESCO T, MEDEIROS RH, LUCENA AF. Implantação da Escala de Braden em uma Unidade de Terapia Intensiva de um Hospital Universitário. Rev. gaúch. enferm. Porto Alegre. 2011[acesso em: 27 Mar 2012];32(4):703-10. Disponível em: http://seer.ufrgs.br/RevistaGauchadeEnfermagem/article/view/17469/14445.
13. SILVA EW ET AL. Aplicabilidade do protocolo de prevenção de úlcera de pressão em Unidade de Terapia Intensiva. Rev. bras. ter. intensiva. Recife. 2010 [acesso em: 30 Abr 2012];2(22): 175-185. Disponível em: http://www.scielo.br/pdf/rbti/v22n2/a12v22n2.pdf
14. GOMES FSL ET AL. Fatores associados à úlcera por pressão em pacientes internados nos centro de terapia intensiva de adultos. Rev. Esc. Enferm. USP, 2010 [acesso em: 20 Ago 2012];44(4):1070-6. Disponível em: http://www.scielo.br/pdf/reeusp/v44n4/31.pdf .
15. WITTEN, I. H. & FRANK E. 2000. Data Mining: Practical Machine Learning Tools and Techniques with Java implementations. San Diego: Academic Press. 371p.
16. FAYYAD, USAMA; PIATETSKI-SHAPIRO, GREGORY; SMYTH, PADHRAIC. The KDD process for extracting useful knowledge from volumes of data. Communications Of The Acm, New York, v. 39, n. 11, p. 27-34, 1996.
17. MARISCAL, GONZALO; MARBÁN, ÓSCAR; FERNANDEZ, COVADONGA. A survey of data mining and knowledge discovery process models and methodologies. The Knowledge Engineering Review, Cambridge, v. 25, n. 2, p. 137 – 166, 2010.
18. MEYFROIDT GEERT ET AL. Machine learning techniques to examine large patient databases. Best Practice & Research Clinical Anaesthesiology, Amsterdam, v. 1, n. 23, p 127–143, 2009.
19. BLOMBERG, LUCIANO COSTA. Gestão de métricas e indicadores de doenças em saúde bucal suportado por um ambiente de descoberta de conhecimento em banco de dados. 2010. 107f. Dissertação (Mestrado) – Pontifícia Universidade Católica do Rio Grande do Sul, Porto Alegre.
20. CRUZ-RAMÍREZ, MANUEL ET AL. Memetic pareto differential evolutionary neural network used to solve an unbalanced liver transplantation problem. Soft Computing, New York, v. 17, n. 2, p. 275-284, 2013.
21. SOBEST, SOBENDE. Associação Brasileira de Estomaterapia – SOBEST. Associação Brasileira de Enfermagem – SOBENDE. Classificação das lesões por pressão – Consenso NPUAP 2016 – Adaptada culturalmente para o Brasil. Disponível em: http://www.sobest.org.br/textod/35. Acessada em: 23 Abr. 2017.
22. ANVISA, Agência Nacional de Vigilância Sanitária. Protocolo de Úlcera por Pressão – 2013. Arquivo PDF. Disponível em: http://www20.anvisa.gov.br/segurancadopaciente/index.php/publicacoes/item/ulcera-por-pres sao. Acessado em: 23 Abr. 2017
23. Eibe Frank, Mark A. Hall, and Ian H. Witten (2016). The WEKA Workbench. Online Appendix for “Data Mining: Practical Machine Learning Tools and Techniques”, Morgan Kaufmann, Fourth Edition, 2016
1Universidade Federal do Rio Grande do Norte – UFRN;
2Universidade Federal do Rio Grande do Sul – UFRGS;
3Universidade Federal do Rio Grande do Norte – UFRN e Universidade Potiguar – UnP;
4Universidade Federal do Rio Grande do Norte – UFRN