Publicação
Aplicabilidade da inteligência artificial numa unidade de cuidados intensivos neonatais da ULS Coimbra
| dc.contributor.advisor | Mendes, Mateus Daniel Almeida | |
| dc.contributor.author | Castelo, Rui Jorge Simões | |
| dc.date.accessioned | 2026-05-21T09:32:15Z | |
| dc.date.available | 2026-05-21T09:32:15Z | |
| dc.date.issued | 2026-03-06 | |
| dc.description.abstract | A Inteligência Artificial (IA) afirma-se como uma ferramenta transformadora nos cuidados intensivos neonatais, com potencial para melhorar significativamente os resultados clínicos dos recém-nascidos mais vulneráveis. A sua capacidade de analisar grandes volumes de dados complexos, identificar padrões e fornecer informação em tempo real está a revolucionar a forma como se monitorizam, diagnosticam e tratam Recém-Nascidos (RN) prematuros. Uma das áreas de aplicabilidade da IA em Unidades de Cuidados Intensivos Neonatais (UCIN) tem sido na monitorização de sinais vitais. Os algoritmos de IA analisam de forma contínua dados de sensores, como a frequência cardíaca, a frequência respiratória e a saturação de oxigénio, para detetar alterações subtis que podem indicar uma deterioração clínica. Assim, possibilita intervenções precoces, que podem prevenir eventos adversos graves. Essencialmente, têm sido publicados trabalhos sobre sépsis neonatal, displasia broncopulmonar e ventilação mecânica. A IA está também a ser utilizada para analisar imagens médicas, como ecografias cerebrais e cardíacas, para detetar anomalias e auxiliar no diagnóstico precoce de condições como hemorragia intraventricular e cardiopatias congénitas. Neste Projeto, estudou-se a aplicabilidade da IA sob a forma de um Large Language Model (LLM) como parceiro na prestação de cuidados na UCIN. Mais especificamente, testou-se se um LLM pode ajudar na adequação da nutrição dos RN internados, ao analisar e propor ajustes nutricionais autonomamente. Para executar esta atividade, o LLM analisa os diários clínicos, extrai os dados clínicos relevantes, compara com standards e, por fim, caracteriza a adequação e propõe os ajustes necessários. Esta proposta do agente inteligente deve ser, por fim validada pelo clínico e eventualmente, aceite. No decorrer do trabalho foi possível aferir que nem todos os LLMs são equivalentes, sendo que um deles (Gemma 3) revelou-se o mais adequado. O desempenho dos LLM foi bastante diverso, com modelos com mais parâmetros a obterem resultados inaceitáveis e outros LLM menos complexos com resultados ainda assim razoáveis. O tempo necessário para execução também foi variável, apesar de se ter privilegiado a segurança nos dados extraídos, com base em métricas universais. Confirmou-se a capacidade de um LLM offline extrair dados clínicos e, após algum processamento adicional, gerar uma proposta de caracterização e ajuste nutricional. | por |
| dc.identifier.tid | 204306019 | |
| dc.identifier.uri | http://hdl.handle.net/10400.26/63236 | |
| dc.language.iso | por | |
| dc.rights.uri | N/A | |
| dc.subject | Inteligência Artificial | |
| dc.subject | Redes Neuronais | |
| dc.subject | Neonatologia | |
| dc.subject | Unidade de Cuidados Intensivos Neonatais | |
| dc.subject | Nutrição | |
| dc.subject | Large Language Models | |
| dc.title | Aplicabilidade da inteligência artificial numa unidade de cuidados intensivos neonatais da ULS Coimbra | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.grantor | Instituto Politécnico de Coimbra |