Identificação de fatores relacionados a complicações em cirurgia de revascularização do miocárdio: uma abordagem com redes de regras de associação multialvo
DOI:
https://doi.org/10.33448/rsd-v11i15.37638Palavras-chave:
Regras de associação; Redes de regras de associação; Coronária; Cirurgia de revascularização miocárdica; Mineração de dados; Multialvo.Resumo
A cirurgia de revascularização miocárdica é uma das abordagens recomendadas para o tratamento da doença coronariana crônica. Várias complicações relacionadas à mortalidade, sequelas, tempo de internação e custos hospitalares também estão associadas a esse procedimento. As taxas de mortalidade e complicações dependem das características de cada paciente. Conhecer os fatores relacionados à mortalidade e complicações hospitalares é fundamental para melhorar os resultados. A mineração de regras de associação pode ajudar na descoberta desses fatores. Neste trabalho propomos uma nova abordagem, chamada Multi-target Association Rules Network (MTARN), para analisar regras de associação baseadas em redes com foco simultâneo em dois parâmetros. O uso de redes de regras de associação auxilia a análise de um grande número de regras de associação e a estratégia multialvo permite uma exploração completa, explicando quais fatores influenciam diretamente o conjunto analisado. Avaliamos nossa abordagem em conjunto com especialistas do domínio e a comparamos com duas outras abordagens: Árvores de Decisão e ARNs Filtrados, uma abordagem de destino único baseada em redes para visualização de padrões. Os resultados indicam que os MTARNs otimizam a descoberta de conhecimentos diretamente ligados a fatores de complicação e óbito em pacientes submetidos à cirurgia de revascularização do miocárdio. Esses parâmetros podem ser utilizados na construção de um sistema de monitoramento inteligente para auxiliar pacientes em revascularização miocárdica.
Referências
Aggarwal, C. C. (2015). Data Mining: The Textbook. Springer International Publishing. Springer. https://doi.org/10.1007/978-3-319-14142-8
Aggarwal, C. C., Procopiuc, C., & Yu, P. S. (2002). Finding localized associations in market basket data. IEEE Transactions on Knowledge and Data Engineering, 14(1), 51–62. https://doi.org/10.1109/69.979972
Agrawal, R., Mannila, H., Srikant, R., Toivonen, H., & Verkamo, a I. (1996). Fast discovery of association rules. Advances in Knowledge Discovery and Data Mining, 12, 307–328.
Agrawal, R., Srikant, R., & others. (1994). Fast algorithms for mining association rules. In Proc. 20th int. conf. very large data bases, VLDB (Vol. 1215, pp. 487–499).
Agrawal, R., Imielinski, T., & Swami, A. (1994). Mining Association Rules between Sets of Items in Large Databases. Special Interest Group on Management of Data, 22(2), 22(2), 207–216. https://doi.org/10.1145/170036.170072
de Almeida, D. V., de Oliveira, K. F., de Oliveira, J. F., Pires, N. L., & Filgueira, V. da S. A. (2013). Most frequent Nursing diagnostics in patients hospitalized in the Coronary Intensive Care Unit. Arquivos Médicos Dos Hospitais e Da Faculdade de Ciências Médicas Da Santa Casa de São Paulo, 58, 64–69.
Amato, V. L., Timerman, A., Paes, A. T., Baltar, V. T., Farsky, P. S., Farran, J. A., & Sousa, J. E. M. R. (2004). Immediate results of myocardial revascularization. Comparison between men and women. Arquivos Brasileiros de Cardiologia, 83(12), 14–20. https://doi.org//S0066-782X2004001900004
Bastian, M., Heymann, S., & Jacomy, M. (2009). Gephi: An Open Source Software for Exploring and Manipulating Networks. In Third International AAAI Conference on Weblogs and Social Media (pp. 361–362). https://doi.org/10.1136/qshc.2004.010033
Calçada, D. B., & Rezende, S. O. (2019). Filtered-ARN: Asymmetric objective measures applied to filter Association Rules Networks. CLEI Electronic Journal, 22(3), 1–16. https://doi.org/10.19153/cleiej.22.3.2
Calçada, D. B., de Padua, R., & Rezende, S. O. (2018). Asymmetric Objective Measures applied to Filter Association Rules Networks. In Latin American Computing Conference - CLEI-LACLO (pp. 1–10). São Paulo.
D’Agostino, R. S., Jacobs, J. P., Badhwar, V., Fernandez, F. G., Paone, G., Wormuth, D. W., & Shahian, D. M. (2018). The Society of Thoracic Surgeons Adult Cardiac Surgery Database: 2018 Update on Outcomes and Quality. Annals of Thoracic Surgery, 105(1), 15–23. https://doi.org/10.1016/j.athoracsur.2017.10.035
Delgado, E. R., Rodríguez-Mazahua, L., Peláez-Camarena, S. G., Guzmán, J. A. P., & López-Chau, A. (2018). Association Analysis of Medical Opinions About the Non-realization of Autopsies in a Mexican Hospital. Scientific Programming, 2018, 233–251. https://doi.org/10.1007/978-3-319-56871-3_12
Dosilovic, F. K., Brcic, M., & Hlupic, N. (2018). Explainable artificial intelligence: A survey. In 41st International Convention on Information and Communication Technology, Electronics and Microelectronics, MIPRO 2018 (pp. 210–215). Croatian Society MIPRO. https://doi.org/10.23919/MIPRO.2018.8400040
DuBois, D., & DuBois, E. F. (1916). A formula to estimate the approximate surface area if height and weight be known. Arch. Intern. Med., 17, 863–871.
Egito, J. G. T. Do, Abboud, C. S., Oliveira, A. P. V. De, Máximo, C. A. G., Montenegro, C. M., Amato, V. L., & Farsky, P. S. (2013). Clinical evolution of mediastinitis in patients undergoing adjuvant hyperbaric oxygen therapy after coronary artery bypass surgery. Einstein J, 11(3), 345–349.
Fukuda, T., Morimoto, Y., Morishita, S., & Tokuyama, T. (1996). Data Mining Using Two-Dimensional Optimized Association Rules: Scheme, Algorithms, and Visualization. In Proceedings of the 1996 ACM SIGMOD international conference on Management of data (pp. 13–23).
Hannan, E. L., Zhong, Y., Lahey, S. J., Culliford, A. T., Gold, J. P., Smith, C. R., & Wechsler, A. (2011). 30-Day readmissions after coronary artery bypass graft surgery in New York State. JACC: Cardiovascular Interventions, 4(5), 569–576. https://doi.org/10.1016/j.jcin.2011.01.010
Hossain, M. E., Uddin, S., & Khan, A. (2021). Network analytics and machine learning for predictive risk modelling of cardiovascular disease in patients with type 2 diabetes. Expert Systems with Applications, 164(September 2020), 113918. https://doi.org/10.1016/j.eswa.2020.113918
Kansagara, D., Englander, H., Salanitro, A., Kagen, D., Theobald, C., & Freeman, M. (2011). Risk prediction models for hospital readmission: a systematic review. JAMA, 306(15), 1688–1698.
Kauw, D., Koole, M. A. C., Winter, M. M., Dohmen, D. A. J., Tulevski, I. I., Blok, S., & Schuuring, M. J. (2019). Advantages of mobile health in the management of adult patients with congenital heart disease. International Journal of Medical Informatics, 132(October), 104011. https://doi.org/10.1016/j.ijmedinf.2019.104011
Kojuri, J., Boostani, R., Dehghani, P., Nowroozipour, F., & Saki, N. (2015). Prediction of acute myocardial infarction with artificial neural networks in patients with nondiagnostic electrocardiogram. Journal of Cardiovascular Disease Research, 6(2), 51–59. https://doi.org/10.5530/jcdr.2015.2.2
Kuo, Y.-H., Chan, N. B., Leung, J. M. Y., Meng, H., So, A. M.-C., Tsoi, K. K. F., & Graham, C. A. (2020). An Integrated Approach of Machine Learning and Systems thinking for Waiting Time Prediction in an Emergency Department. International Journal of Medical Informatics, 104143, 1–30. https://doi.org/10.1016/j.neubiorev.2019.07.019
Lakshmi, K. S., & Vadivu, G. (2017). Extracting Association Rules from Medical Health Records Using Multi-Criteria Decision Analysis. Procedia Computer Science, 115, 290–295. https://doi.org/10.1016/j.procs.2017.09.137
Le, T., & Vo, B. (2016). The lattice-based approaches for mining association rules: a review. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 6(4), 140–151. https://doi.org/10.1002/widm.1181
Lipton, Z. C. (2016). The Mythos of Model Interpretability. In ICML Workshop on Human Interpretability in Machine Learning (WHI 2016) (pp. 1–9).. https://doi.org/10.1016/j.apmr.2007.10.023
Lou, P., Lu, G., Jiang, X., Xiao, Z., Hu, J., & Yan, J. (2021). Cyber intrusion detection through association rule mining on multi-source logs. Applied Intelligence, 51(6), 4043–4057. https://doi.org/10.1007/s10489-020-02007-5
Mahajan, R., Viangteeravat, T., & Akbilgic, O. (2017). Improved detection of congestive heart failure via probabilistic symbolic pattern recognition and heart rate variability metrics. International Journal of Medical Informatics, 108(July), 55–63. https://doi.org/10.1016/j.ijmedinf.2017.09.006
Mori, H., Suzuki, H., Nishihira, K., Honda, S., Kojima, S., Takegami, M., … Yasuda, S. (2020). In-hospital morality associated with acute myocardial infarction was inversely related with the number of coronary risk factors in patients from a Japanese nation-wide real-world database. International Journal of Cardiology: Hypertension, 6(June), 100039. https://doi.org/10.1016/j.ijchy.2020.100039
Mustaqeem, A., Anwar, S. M., Khan, A. R., & Majid, M. (2017). A statistical analysis based recommender model for heart disease patients. International Journal of Medical Informatics, 108(July), 134–145. https://doi.org/10.1016/j.ijmedinf.2017.10.008
Nettleton, D. F. (2013). Data mining of social networks represented as graphs. Computer Science Review, 7(1), 1–34. https://doi.org/10.1016/j.cosrev.2012.12.001
Nguyen, L. T. T., & Nguyen, N. T. (2015). Updating mined class association rules for record insertion. Applied Intelligence, 42(4), 707–721. https://doi.org/10.1007/s10489-014-0614-1
Nourani, V., & Molajou, A. (2017). Application of a hybrid association rules/decision tree model for drought monitoring. Global and Planetary Change, 159, 37–45. https://doi.org/10.1016/j.gloplacha.2017.10.008
Peek, N., Combi, C., Marin, R., & Bellazzi, R. (2015). Thirty years of artificial intelligence in medicine (AIME) conferences: A review of research themes. Artificial Intelligence in Medicine, 65(1), 61–73. https://doi.org/10.1016/j.artmed.2015.07.003
Prajapati, D. J., Garg, S., & Chauhan, N. C. (2017). MapReduce Based Multilevel Consistent and Inconsistent Association Rule Detection from Big Data Using Interestingness Measures. Big Data Research, 9, 18–27. https://doi.org/10.1016/j.bdr.2017.07.001
Ribas Ripoll, V. J., Wojdel, A., Romero, E., Ramos, P., & Brugada, J. (2016). ECG assessment based on neural networks with pretraining. Applied Soft Computing Journal, 49, 399–406. https://doi.org/10.1016/j.asoc.2016.08.013
Ricci, H., de Araújo, M. N., & Simonetti, S. H. (2016). Early readmission in a high complexity public hospital in cardiology. Revista Da Rede de Enfermagem Do Nordeste, 17(6), 828–834. https://doi.org/10.15253/2175-6783.2016000600014
Rosan, R. P., Farsky, P. S., & Amato, V. L. (2022). Preoperative risk score and in-hospital death following isolated myocardial revascularization surgery Avaliação do risco de óbito intra-hospitalar em cirurgia de revascularização miocárdia isolada Evaluación del riesgo de muerte intrahospitalaria en cirugía de revascularización miocárdica, 2022, 1–18.
Sahar, S. (2003). What Is Interesting: Studies on Interestingness in Knowledge Discovery. Tel-Aviv University.
Shah, R. M., Zhang, Q., Chatterjee, S., Cheema, F., Loor, G., Lemaire, S. A., … Ghanta, R. K. (2018). Incidence, Cost, and Risk Factors for Readmission after Coronary Artery Bypass Grafting. The Annals of Thoracic Surgery, (2019). https://doi.org/10.1016/j.athoracsur.2018.10.077
Shahian, D. M., O’Brien, S. M., Filardo, G., Ferraris, V. A., Haan, C. K., Rich, J. B., … Anderson, R. P. (2009). The Society of Thoracic Surgeons 2008 Cardiac Surgery Risk Models: Part 1-Coronary Artery Bypass Grafting Surgery. Annals of Thoracic Surgery, 88(1 SUPPL.), S2--S22. https://doi.org/10.1016/j.athoracsur.2009.05.053
Tai, Y. M., & Chiu, H. W. (2009). Comorbidity study of ADHD: Applying association rule mining (ARM) to National Health Insurance Database of Taiwan. International Journal of Medical Informatics, 78(12), 75–83. https://doi.org/10.1016/j.ijmedinf.2009.09.005
Valle, M. A., Ruz, G. A., & Morrás, R. (2018). Market basket analysis: Complementing association rules with minimum spanning trees. Expert Systems with Applications, 97, 146–162. https://doi.org/10.1016/j.eswa.2017.12.028
Valverde-Rebaza, J. C., & De Andrade Lopes, A. (2014). Link prediction in online social networks using group information. Universidade de São Paulo. https://doi.org/10.1007/978-3-319-09153-2_3
Vinaya, M., & Shah, K. (2016). Performance Evaluation of Distributed Association Rule Mining Algorithms. Procedia - Procedia Computer Science, 79, 127–134. https://doi.org/10.1016/j.procs.2016.03.017
Weng, C. H. (2016). Identifying association rules of specific later-marketed products. Applied Soft Computing Journal, 38, 518–529. https://doi.org/10.1016/j.asoc.2015.09.047
Yanicelli, L. M., Vegetti, M., Goy, C. B., Martínez, E. C., & Herrera, M. C. (2020). SiTe iC: A telemonitoring system for heart failure patients. International Journal of Medical Informatics, 141(April), 104204. https://doi.org/10.1016/j.ijmedinf.2020.104204
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Dario Brito Calçada; Cantídio de Moura Campos Neto; Vivian Lerner Amato; Roberta Akemi Sinoara ; Solange Oliveira Rezende
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
