Uso de algoritmos de Machine Learning: predição de sinais e sintomas relacionados a exposição ocupacional de trabalhadores da saúde à fumaça cirúrgica

Página do item simplificado
dc.contributor.advisorRibeiro, Renata Perfeito
dc.contributor.authorLopes, Larissa Padoin
dc.contributor.bancaLeachi, Helenize Ferreira Lima
dc.contributor.bancaChiavegatto Filho, Alexandre Dias Porto
dc.coverage.extent89 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-02-09T13:29:48Z
dc.date.available2026-02-09T13:29:48Z
dc.date.issued2025-10-14
dc.description.abstractIntrodução: A exposição à fumaça cirúrgica é um importante desafio para a saúde ocupacional em hospitais. A pesquisa busca evitar que os sinais e sintomas em trabalhadores expostos evoluam para doenças graves, e o uso de algoritmos de Machine Learning surge como uma estratégia inovadora para a detecção precoce e prevenção de adoecimentos ocupacionais. Objetivo: Investigar os impactos da exposição à fumaça cirúrgica na saúde ocupacional de trabalhadores de saúde que atuam em centros cirúrgicos, utilizando abordagens de Machine Learning para predição de sinais e sintomas. Método: A dissertação é composta por dois estudos. O primeiro é um estudo transversal com abordagem preditiva, realizado com dados coletados entre 2021 e 2023 em três instituições de saúde: duas no norte do Paraná e uma no centro do Rio Grande do Sul. A amostra incluiu 364 trabalhadores da saúde, com coleta de dados sociodemográficos, ocupacionais e de intensidade de sinais e sintomas relacionados à exposição ocupacional à fumaça cirúrgica. Para a análise quantitativa, foi utilizada uma Rede Neural Artificial, com o desempenho avaliado por métricas como acurácia, especificidade e sensibilidade. O segundo estudo é uma revisão sistemática, realizada em setembro de 2024, para identificar modelos de Machine Learning aplicados na predição de doenças em trabalhadores da saúde. A análise foi qualitativa, sintetizando os resultados de 14 artigos incluídos. Resultados: Os resultados do estudo quantitativo demonstraram que o modelo de Rede Neural Artificial foi eficaz na predição de sinais e sintomas. Para o sistema respiratório, o modelo alcançou uma acurácia média de 86,59% no treinamento e 76,50% em operação, apresentando uma alta especificidade de 96,36%, o que indica sua capacidade de identificar corretamente a ausência de sintomas. Para o sistema ocular, a acurácia foi de 77,87% no treinamento e 69,44% em operação, com especificidade de 84,06% e sensibilidade de 67,21%. O estudo de revisão sistemática (estudo qualitativo) revelou que as doenças mais preditas por modelos em trabalhadores da saúde são os transtornos psicossociais (50,0%), seguidos pelas doenças respiratórios (42,86%) e doenças neurológicas (7,14%). Os algoritmos com melhor desempenho foram o Random Forest, com valores de área sob a curva (AUC-ROC) de até 0,90, e as Support Vector Machines, com AUC-ROC de até 0,94. Conclusão: O modelo preditivo utilizado no primeiro estudo, demonstrou desempenho satisfatório, confirmando o potencial das Redes Neurais Artificiais para a identificação precoce de sinais e sintomas associados à exposição à fumaça cirúrgica, respondendo assim ao objetivo e lacuna da pesquisa. A revisão sistemática reforçou que algoritmos de Machine Learning têm um bom potencial na predição de doenças em trabalhadores da saúde, especialmente nas áreas mental e respiratória, embora a falta de padronização e a escassez de estudos em países latino-americanos sugerem a necessidade de mais pesquisas e validações de algoritmos em diferentes contextos ocupacionais
dc.description.abstractother1Introduction: Exposure to surgical smoke is a major challenge for occupational health in hospitals. The research aims to prevent the signs and symptoms in exposed workers from progressing to severe diseases, and the use of Machine Learning algorithms emerges as an innovative strategy for early detection and prevention of occupational illnesses. Objective: To investigate the impacts of exposure to surgical smoke on the occupational health of healthcare workers in operating rooms, using Machine Learning approaches to predict signs and symptoms. Method: The dissertation is composed of two studies. The first is a cross-sectional study with a predictive approach, conducted with data collected between 2021 and 2023 in three healthcare institutions: two in northern Paraná and one in central Rio Grande do Sul. The sample included 364 healthcare workers, with data collection on sociodemographic and occupational characteristics, as well as the intensity of signs and symptoms related to occupational exposure to surgical smoke. For quantitative analysis, an Artificial Neural Network was employed, with performance evaluated through metrics such as accuracy, specificity, and sensitivity. The second study is a systematic review, carried out in September 2024, to identify Machine Learning models applied to disease prediction in healthcare workers. The analysis was qualitative, synthesizing the results of 14 included articles. Results: The results of the quantitative study demonstrated that the Artificial Neural Network model was effective in predicting signs and symptoms. For the respiratory system, the model achieved an average accuracy of 86.59% in training and 76.50% in operation, with high specificity of 96.36%, indicating its ability to correctly identify the absence of symptoms. For the ocular system, accuracy was 77.87% in training and 69.44% in operation, with specificity of 84.06% and sensitivity of 67.21%. The systematic review (qualitative study) revealed that the most frequently predicted diseases by models in healthcare workers were psychosocial disorders (50.0%), followed by respiratory diseases (42.86%) and neurological diseases (7.14%). The best-performing algorithms were Random Forest, with area under the curve (AUC-ROC) values up to 0.90, and Support Vector Machines, with AUC-ROC values up to 0.94. Conclusion: The predictive model used in the first study demonstrated satisfactory performance, confirming the potential of Artificial Neural Networks for the early identification of signs and symptoms associated with exposure to surgical smoke, thus addressing the objective and research gap. The systematic review reinforced that Machine Learning algorithms hold strong potential for disease prediction in healthcare workers, particularly in mental and respiratory health. However, the lack of standardization and the scarcity of studies in Latin American countries suggest the need for further research and algorithm validation in different occupational contexts
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/19108
dc.language.isopor
dc.relation.departamentCCS - Departamento de Enfermagem
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Enfermagem
dc.subjectAlgoritmos de Aprendizado de Máquina
dc.subjectSaúde Ocupacional
dc.subjectSinais e Sintomas
dc.subjectTrabalhadores da Saúde
dc.subjectRedes neurais artificiais
dc.subjectExposição ocupacional
dc.subjectCentros cirúrgicos
dc.subjectRevisão sistemática
dc.subject.capesCiências da Saúde - Enfermagem
dc.subject.cnpqCiências da Saúde - Enfermagem
dc.subject.keywordsMachine Learning Algorithms
dc.subject.keywordsOccupational Health
dc.subject.keywordsSigns and Symptoms
dc.subject.keywordsHealth Workers
dc.subject.keywordsArtificial neural networks
dc.subject.keywordsOccupational exposure
dc.subject.keywordsSurgical clinics
dc.subject.keywordsSystematic review
dc.titleUso de algoritmos de Machine Learning: predição de sinais e sintomas relacionados a exposição ocupacional de trabalhadores da saúde à fumaça cirúrgica
dc.title.alternativeUse of Machine Learning algorithms: prediction of signs and symptoms related to occupational exposure of healthcare workers to surgical smoke
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Ciências da Saúde

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Nenhuma Miniatura disponível
Nome:
CS_ENF_Me_2025_Lopes_Larissa_P.pdf
Tamanho:
4.64 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 194461
Baixar
Nenhuma Miniatura disponível
Nome:
CS_ENF_Me_2025_Lopes_Larissa_P_TERMO.pdf
Tamanho:
530.17 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Enfermagem