Ribeiro, Renata PerfeitoLopes, Larissa Padoin2026-02-092026-02-092025-10-14https://repositorio.uel.br/handle/123456789/19108Introdução: 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 ocupacionaisporAlgoritmos de Aprendizado de MáquinaSaúde OcupacionalSinais e SintomasTrabalhadores da SaúdeRedes neurais artificiaisExposição ocupacionalCentros cirúrgicosRevisão sistemáticaDissertaçãoCiências da Saúde - EnfermagemCiências da Saúde - EnfermagemMachine Learning AlgorithmsOccupational HealthSigns and SymptomsHealth WorkersArtificial neural networksOccupational exposureSurgical clinicsSystematic review