Hatem Abdellatif FATAHALLAH IBRAHIM MAHMOUD

Julen Berrueta LLona

Desenvolupament i validació d’un model predictiu basat en aprenentatge profund per a la predicció de mortalitat i alta precoç en pacients crítics d’UCI

Aquest Treball de Fi de Grau se centra en l’anàlisi i adaptació d’un sistema predictiu per a pacients crítics ingressats a la Unitat de Cures Intensives (UCI), amb l’objectiu d’estimar de manera anticipada el risc de mortalitat i la probabilitat d’alta en les properes 48 hores. El treball es basa en dades clíniques temporals recollides durant l’estada a l’UCI i en l’ús de tècniques d’aprenentatge profund, especialment xarxes neuronals recurrents del tipus LSTM, per modelar l’evolució del pacient. El TFG inclourà l’estudi del conjunt de dades disponible, el preprocés i la normalització de les variables clíniques, la gestió de valors absents i valors atípics, així com el reentrenament i validació del model en dades de diferents entorns hospitalaris. També es valorarà el comportament del model mitjançant mètriques rellevants en context clínic, com ara AUC-ROC, sensibilitat, especificitat i calibració, i es compararà amb alternatives de machine learning més clàssiques per analitzar la seva robustesa i capacitat de generalització. Aquest treball té una aplicació directa en l’àmbit de la medicina intensiva, ja que pot contribuir a millorar el suport a la presa de decisions i a l’optimització de la gestió de llits a l’UCI.

22-ABR-2026

UCI, mortalitat, alta hospitalària, aprenentatge profund, LSTM, predicció clínica, dades temporals, ML

-