MIME-Version: 1.0 Content-Type: multipart/related; boundary="----=_NextPart_01DC33A4.7F400F30" Este documento é uma Página da Web de Arquivo Único, também conhecido como Arquivo Web. Se você estiver lendo essa mensagem, o seu navegador ou editor não oferece suporte ao Arquivo Web. Baixe um navegador que ofereça suporte ao Arquivo Web. ------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091.htm Content-Transfer-Encoding: quoted-printable Content-Type: text/html; charset="windows-1252"

Apren= dizagem de máquina na previsão de índices de mortalidade em Unidades de Terapia Intensiva: Uma revisão integrativa da literatura

Machine learning in predicting mortality rates in= Intensive Care Units: An integrative review of the literature

 =

Enathanael Ribeiro Soares<= /o:p>

https:= //orcid.org/0009-0007-3234-8270

Mestrando em Ciências da Saúde. Unive= rsidade Federal do Cariri (UFCA) – Brasil. enathanael.ribeiro@gmail.com

Maria Angélica Farias Grangeiro

https://orcid.org/0009-0003-5398-0161

Mestranda em Ciências da Saúde. Universidade Federal do Cariri (UFCA) – Brasil. mari_angelica_29@hotma= il.com

Ana Heloísa dos Santos

https://orcid.org/0009-0000-5562-0969

Mestranda em Ciências da Saúde. Universidade Federal do Cariri (UFCA) – Brasil. ana.helo0895@gmail.com=

Joel Freires de Alencar Arrais

https://orcid.org/0000-0002-5127-5309

Mestrando em Saúde e Sociedade. Universidade do Estado do Rio Grande do Norte (UERN= ) – Brasil. joel.freires00@gmail.com

Glêbia Ale= xa Cardoso

https://orcid.org/0000-0003-4822-1673

Doutora em Ciências da Saúde. Universidade Federal da Paraíba (UFPB) – Brasil. glebiacardoso@uern.br<= /span>

Estelita Lima Cândido

https://orcid.org/0000-0001-9434-2930

Pós-Doutor em Ciências da Saúde. Faculdade de Medicina do ABC (FMABC) – Brasil. estelita.lima@ufca.edu= .br

 

RESUMO

A Unidade de Terapia Intensiva é um ambiente complexo, destinado ao cuidado de pacientes críticos que necessitam de monitoramento constante e intervenções intensiva= s. A informatização dos prontuários médicos trouxe avanços significativos na ges= tão de informações, possibilitando a análise de dados em larga escala. Nesse cenário, o aprendizado de máquina (ML) emergiu como uma ferramenta revolucionária para a predição de mortalidade. Realizou-se uma revisão integrativa, abrangendo estudos publicados entre 2020 e 2024 nas bases de dados: Web of Science, LILACS, SciELO e PubMed.= Foram analisados 2.627 estudos, com 24 incluídos. A pesquisa focou na aplicação d= e ML para predição de mortalidade. Ao todo, os estudos usaram dados de 525.081 pacientes provenientes de bases como MIMIC-III, MIMIC-IV e eICU. Os algoritmos mais destacados foram XGBoost, LightGBM, Random Forest e redes neurais (LSTM, GRU), = com desempenhos superiores em AUROC, sensibilidade e especificidade. Variáveis-chave incluíram idade, lactato, creatinina, SOFA, SAPS II/III e biomarcadores inflamatórios como IL-6 e LDH. Os modelos de ML demonstraram capacidade validação de transformar o manejo de pacientes críticos ao proporcionar análises personalizadas e predições mais precisas. =

Palavras-chave: Inteligência artificial; aprendizado de máquina supervisionado; Unidade de Terapia Intensiva; hospitalização; previsão.

 

ABSTRACT

The Intensive Care Unit is a complex environment designed to care for critically ill patients who require constant monitoring and intensive interventions. The computerization of medical records has brought significa= nt advances in information management, enabling large-scale data analysis. In = this scenario, machine learning (ML) has emerged as a revolutionary tool for mortality prediction.  An integrati= ve review was conducted, covering studies published between 2020 and 2024 in t= he following databases: Web of Science, LILACS, SciELO, and PubMed. A total of 2,627 studies were analyzed, of which 24 were includ= ed. The research focused on the application of ML for mortality prediction. In total, the studies used data from 525,081 patients from databases such as MIMIC-III, MIMIC-IV, and eICU. The most promine= nt algorithms were XGBoost, L= ightGBM, Random Forest and neural networks (LSTM, GRU), with superior performance in AUROC, sensitivity and specificity. Key variables included age, lactate, creatinine, SOFA, SAPS II/III and inflammatory biomarkers such as IL-6 and = LDH. ML models have demonstrated the validated ability to transform the manageme= nt of critically ill patients by providing personalized analyses and more accu= rate predictions.

Keywords: Artificial intelligence; machine learning; Intensive Care Unit; hospitaliza= tion; prediction.

 

Recebido em 19/02/2025.  Aprovado em 19/08/2025. Avaliado pelo s= istema double blind peer review. Publicado conforme normas da ABNT.

https://doi.org/10.22279/n= avus.v16.2091

 

 

1 INTRODUÇÃO

 = ;

A Unidade de Terapia Intensiva (UTI) é um espaço extremamente complexo e dinâmico, destinado ao atendimento de pacientes em estado crítico que requerem vigilância contínua e intervenções intensivas (BACKES; ERDMANN; BÜSCHER, 2015), onde a preocupação com o armazenamento das informações clínicas deve ser redobrada. Nesse sentido, a digitalização dos prontuários médicos representa uma mudança significativa na maneira como as informações dos pacientes e dos serviços são administradas (FARIAS et al., 2011). Essa modernização oferece diversos benefícios que afetam diretamente= a eficiência, segurança e qualidade do atendimento em saúde. A informatização= dos registros de saúde pode contribuir para a gestão das informações dos pacien= tes e aprimorar os serviços de saúde, mesmo em nações de baixa e média renda (<= span class=3DSpellE>Numair et al., 2021).

Diante desse contexto, o aprendizado de máquina (ML) = surgiu como uma solução inovadora, apresentando técnicas avançadas para a análise = de dados e a previsão de resultados significativos, incluindo taxas de mortalidade, readmissões hospitalares e progressão de estados críticos de saúde. Ferramentas como Gradient Boosting Machines, re= des neurais e algoritmos fundamentados em atenção têm demonstrado um desempenho superior em comparação aos métodos convencionais, como SAPS II e SOFA, permitindo previsões mais acuradas e intervenções fundamentadas em evidênci= as clínicas. (Yu et al., 2024).

Para contextualizar, o aprendizado de máquina, conhec= ido como machine é um subcampo da ciência da computação que se dedica à análise= e desenvolvimento de algoritmos computacionais que aprendem a partir de dados= em vez de seguirem instruções pré-definidas (DEO, 2015). A finalidade principa= l de um modelo de ML é criar um sistema computacional que seja capaz de aprender= a partir de um conjunto de dados específico e, ao final desse processo, produ= zir um modelo para predições, classificações ou detecções (Jordan; Mitchell, 20= 15).

Além do impacto técnico, a implementação do aprendiza= do de máquina nas UTIs tem o potencial de revolucionar o atendimento aos paciente= s. Esses modelos conseguem identificar pacientes em alto risco, aprimorar a utilização dos recursos hospitalares e diminuir os custos relacionados ao tratamento intensivo. Além disso, eles tornam a comunicação com os familiar= es mais eficiente, fornecendo prognósticos mais precisos e embasados em dados concretos. Dessa forma, a tecnologia não só eleva a eficiência, mas também = contribui para um atendimento mais humanizado, aperfeiçoando a precisão e a justifica= tiva das decisões médicas (Pessoa et al., 2022).

Apesar dos avanços significativos, o manejo de pacien= tes em UTIs ainda enfrenta desafios, especialmente na estratificação precoce do ri= sco de mortalidade, limitada por métodos convencionais que por vezes não integr= am adequadamente dados complexos e variáveis temporais, resultando em previsões imprecisas e atrasos terapêuticos. Este trabalho busca revisar as evidências sobre o uso de aprendizado de máquina na previsão de mortalidade em UTIs, destacando avanços, modelos promissores, variáveis-chave, desafios de implementação e estratégias para integrar essas tecnologias de forma ética e eficaz no contexto clínico.

 

 

 

 

2 METODOLOGIA

 

Este e= studo é uma revisão integrativa da literatura e obedece às instruções do manual para síntese de evidências do Joanna Briggs Institute (JBI) (Aromataris et al., 2024) e do Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews (Prisma-ScR) (Tricco et al., 2018), produzida entre os meses de outubro e novembro de 2024. A análise dos estudos incluídos em três bases de dados eletrônicas: Web of Science, Literatura Latino-americana e do Caribe em Ciências da Saúde (LILACS), S= cientific Electronic Library Online (SciELO), e National Library of Medicine (PubMed).

Em obs= ervância ao PICO para pesquisas não-clínicas, objetivou responder a seguinte pergunta norteadora: Quais modelos de aprendizagem de máquina têm sido empregados pa= ra prever índices de mortalidade em unidades de terapia intensiva, e como seu desempenho se compara aos métodos tradicionais em termos de acurácia e impa= cto nas decisões clínicas?  Para isso, = na formulação da estratégia de busca foram utilizados os seguintes descritores: “Artificial Intelligence", "Machine Learning", "Intensi= ve Care Unit", "Hospitalization", "Prediction" e "Screening, adotando-se como operadores booleanos AND e OR. Todos os descritores estão indexados nas plataformas Descritores em Ciências da Saúde (DeCS) e Medical Subject Heading Terms (MeSH) (Quadro 1).=

 

Quadro 1 - Estratégias de busca

Bases de dados

Operadores booleanos

Estratégias de busca

Web of Science=

 =

AND/OR

(("Artificial Intelligence" OR "Machine Learning")) AND (("Intensive Care Unit" OR "Hospitalization")) AND (("Prediction&q= uot; OR " Mass Screening."))<= /o:p>

 

PUBMED

AND/OR

("Artificial = Intelligence”OR "Ma= chine Learning")

AND ("Intensi= ve Care Units" OR "Hospitalization")

AND ("Prediction" OR " Mass Screening.")

("Artificial = Intelligence"OR "Machine Learning") = AND ("Intensive Care Units" OR "Hospitalization") AND ("Prediction" OR " Mass Screening.") AND ("Mortality")=

Scielo

AND/OR

("Inteligência artificial" OR "Aprendizagem de máquina") AND ("Unidade de Terapia Intensiva" OR "Hospitalização") AND ("Predição" OR " Programas= de Rastreamento ")

LILACS

AND/OR

("Inteligência Artificial" OR "Aprendizado de Máquina") AND ("Unidade de Terapia Intensiva" OR "Hospitalização") AND ("Predição" OR " Mass Screening ")

Fonte: Dados da Pesq= uisa, 2025.

 

Os critérios de incl= usão considerados foram os seguintes: a publicação no intervalo de 2020 a 2024; = não importando o idioma em que foi publicado nem o local onde o trabalho foi realizado, além de pesquisas baseadas em dados primários. Quanto aos critér= ios de exclusão: artigos que se mostrassem inconclusivos e/ou estudos repetidos; realizados em modelo animal. Foram excluídos também estudos de revisão e me= ta análise.

A triagem e classifi= cação dos estudos foi realizado utilizando Rayyan® co= mo ferramenta computacional permitindo a seleção dos trabalhos a partir da aná= lise dos títulos e resumos. Posteriormente realizou-se a leitura na íntegra dos estudos considerando aspectos relevantes, qualidade metodológica e adequaçã= o ao foco da pesquisa.

Os estudos seleciona= dos foram distribuídos e organizados na forma de tabela, confeccionada utilizan= do o Software Microsoft® Word, na versão 2019, com a classificação dos estudos p= or autor(es), ano de publicação, tamanho da amostra, algoritmo de destaque e principais desfechos.

 

2 RESULTADOS

 

A busca nas bases de dados resultou em 2.627 publicaç= ões. Após a exclusão de duplicatas (n=3D514), 2.113 estudos foram considerados p= ara análise inicial. A triagem subsequente, baseada na leitura de títulos e resumos, permitiu uma avaliação preliminar da relevância dos estudos em rel= ação ao objetivo da pesquisa. Foram selecionados 48 artigos para análise do text= o na íntegra, dos quais 24 foram excluídos em observância a relevância e acurácia metodológica. Assim, a amostra final foi composta por 24 estudos (Figura 1)= .

Um total de 525.081 indivíduos participaram das pesquisas (Tabela 1). Todos os estudos versam s= obre predição de mortalidade em pacientes críticos internados em Unidades de Ter= apia Intensiva. Eles exploram a aplicação de algoritmos de aprendizado de máquina para melhorar a precisão preditiva em diferentes condições clínicas. <= /o:p>

Os 24 estudos analis= ados englobaram dados de pacientes oriundos de diferentes bases de dados, como MIMIC-III, MIMIC-IV, eICU, além de bancos de da= dos regionais. Os indivíduos foram selecionados com base em condições específic= as, incluindo insuficiência cardíaca, COVID-19, diabetes tipo 2, sepse, lesão cerebral traumática, câncer colorretal e acidose láctica, com subgrupos rep= resentativos destinados à validação interna e externa.

Os algoritmos mais destacados foram XGBoost, = LightGBM, Random Forest, Support Vector Machine= (SVM) e redes neurais como LSTM e GRU. Escalas clínicas frequentemente usad= as como variáveis preditoras incluíram SOFA, SAPS II/III, APACHE II e escores = como Charlson e Elixhauser. Algumas variáveis foram usadas de forma relevante nos estudos, como idade, lactato, ureia, troponina, plaquetas, pressão arterial, glicose e biomarcad= ores inflamatórios como IL-6, LDH e CRP.


 


Tabela 1 - Caracterização dos 24 estudos analisados

(continua)

 =

Autor= =

Ano=

 

n

 

Base de Dados Médica ou Local= do estudo

 =

 =

Desenho do Estudo<= b>=

 

Algoritmos de destaque= =

AHMAD et al.

2021

4.000 

MIMIC-III

Estudo retrospectivo com aplicação de técnicas de aprendizado de máquina.

Support Vector Machine

ALDRAIMLI et al.

2022

48.546

 

MIMIC-III

Estudo comparativo de classificação binária.=

XGBoost

BARCHITTA et al.

2021

3.782 

Rede SPIN-UTI na Itália

Estudo multicêntrico retrospectivo.

SVM

CHEN et al.

2022=

18.094

 

MIMIC-III

Estudo retrospectivo com aprendizado profundo.=

ATCN

CHEN et al.

2023

2.803 

MIMIC-IV e eICU=

Estudo retrospectivo com validação externa.=

XGBoost

CHIU et al.

2022

6.699 

MIMIC-III

Estudo retrospectivo com aplicação de ML.=

Stacking Ensemble Model

DANAY et al.

2024

2.331

 

eICU

Coorte retrospectivo.

XGBoost

GARCÍA-GALLO et al.

2020

5.650 

MIMIC-III

Coorte retrospectiva.

SGB

GEORGE et al.

2021

4.334

 

MIMIC-III

Coorte retrospectiva.

DNN

GUO et al.

2023

969

eICU, MIMI= C-IV e Hospital de Wuhan.

Estudo retrospectivo multicêntrico.

  Ensemble Model (Random Forest, LightGBM e XGBoost)

HU et al.=

2024

14.222

 

MIMIC-III

Estudo retrospectivo com validação cruzada.=

Bagging= e AdaBoost

KANG et al.

2021

219.306

 

MIMIC-III e eICU=

Desenvolvimento e validação de modelo.

DNN com LSTM

KIM; KWON, BAEK<= /span>

2021

16.940

 

Hospitais na Coreia do Sul

Estudo retrospectivo comparativo.

XGBoost

NISTAL-NUÑO et al. 2020

9.893 

MIMIC-III

Comparação de modelos.

XGBoost= =

PANG et al.

2022

67.748

 

MIMIC-IV

Estudo comparativo.

XGBoost

NA PATTALUNG; INGVIYA; CHAICHULLE

2021

75.685

 

MIMIC-III, MIMIC-IV e eICU=

Estudo comparativo.

GRU

PATTHARANITIMA et al.<= /o:p>

2021

1.919

MIMIC-III

Estudo retrospectivo.

Random Forest

PEZOULAS et al.

2022

214

 

Hospital “Sotiria” para doenças do tór= ax, Atenas

Modelagem explicável de IA.

GBDT SAKAGIANNI et al.

2023

373

 

Hospital Terciário na Grécia

Estudo observacional retrospectivo.

Random Forest


TU et al.=

2023

2.260 

Hospital Chi Mei Medical Center, Taiwa= n=

Estudo retrospectivo comparando modelos de ML.=

Random Forest e LightGBM=

 

 

 

 

(conclusão)

 =

Autor= =

Ano

 

n

 

Base de Dados Médica ou Local= do estudo

 

 =

Desenho do Estudo<= span style=3D'font-size:8.0pt;font-family:"Myriad Pro",sans-serif;mso-fareast-= font-family: Aptos'>

 

Algoritmos de destaque=

YE et al.=

2023

5.247

 

MIMIC-IV eICU

Estudo retrospectivo com aplicação de técnicas de aprendizado de máquina.

GBDT

YU et al.=

2024

9.118 

MIMIC-III

Estudo retrospectivo com aplicação de técnicas de aprendizado de máquina.

LightGBM

ZHAI et al.

2024

1.668 

ICU Open Source (China)=

Estudo retrospectivo.

GBDT

ZHOU et al.

2024

3.280 

MIMIC-III, MIMIC-IV e eICU=

Coorte retrospectiva com validação cruzada.=

XGBoost

LSTM =3D Long Short-Term Memory; SHAP =3D SHaple= y Additive exPlanations; ML =3D Machine Learning;= LDA =3D Linear Discriminant Analysis; LightGBM =3D Light Gradient Boosting Machine; GBDT =3D Gradient Boosting Decision Tree; DNN = =3D Deep Neural Network; XGBoost =3D Extreme Gradient Bo= osting; SVM =3D Support Vector Machines; SGB =3D Stochastic Gradient Boosting; GRU = =3D Gated Recurrent Unit; ATCN =3D Attention-based Temporal Convolution Network.

Fonte: Dados da pesq= uisa, 2025.

 

 


4 DISCUSSÃO

 

A aplicação de model= os de aprendizado de máquina na predição de mortalidade, especialmente na UTI, pa= rece refletir a crescente busca por maior personalização e cuidado do paciente criticamente enfermo. Inúmeros algoritmos foram analisados para variadas po= pulações e cenários clínicos, com ênfase nos modelos fundamentados em ML, como Gradient Boosting Machines, Random Forest e suas adaptações, além de métodos mais sofisticados, como Redes Neurais Recorrentes (RNN) e modelos explicáveis.

A acurácia dos model= os preditivos adotados nos estudos foi avaliada e comparada com métodos tradicionais através da AUROC. A curva ROC (Receive= r Operating Characteristic) compara o desempenho de modelos classificatórios representando a ligação en= tre as taxas de verdadeiros positivo (sensibilidade) e falsos positivos em diferentes situações preditivas (Müller; Guido, 2016).  A AUC (Área Und= er the Curve) quantifica essa curva, fornecendo um valor numérico que expressa a capacida= de do modelo de distinguir entre as classes (Hosmer; Lemeshow; Sturdivant, 201= 3), tornando-a especialmente útil para cenários com classes desbalanceadas, com= o na predição de mortalidade hospitalar. A interpretação dessa métrica pode ser vista na Tabela 2.

 

Tabela 2 - Interpretação/Classificação = dos valores de AUC

AUROC

Interpretação=

Desempenho do Modelo

0,5-0,6

Sem poder de discriminação

Péssimo

0,6-0,7=

Baixa capacidade preditiva

Ruim=

0,7-0,8

Moderada capacidade preditiva

Pobre

0,8-0,9=

Boa capacidade preditiva

Bom=

>0,9

Excelente capacidade de discriminação entre as classes

Excelente

 

Fonte:  Adaptado de Polo e Miot (2020).

 

A adesão de técnicas= de explicabilidade como SHAP (Shapley Additive exPlanations) e LIME (Local Interpretable Model-Agnostic Explanations) é um elemento comum adotado p= elos estudos, facilitando a identificação de variáveis fundamentais e tornando as predições mais compreensíveis para a aplicação na clínica, como em Na Pattalung et al. (2021), Zhai et al. (2024), Pang et al. (2022) e Nistal-Nuño (2022), destaque para Pezou= las et al. (2022) que combinaram redes bayesianas dinâmicas com SHAP para prever mortalidade em pacientes com COVID-19, destacando citocinas inflamatórias (IL-6, IL-8 e TNF) como preditores críticos. Essa abordagem multimodal ofer= eceu percepções valiosas sobre a dinâmica biológica e clínica.=

García-Gallo et al. (2020) e Yu et al. (2024) utilizaram o SGB e o = LightGBM, respectivamente, para pacientes com sepse. Ambos os estudos reportaram alta acurácia (AUC acima de 0,80), com variáveis como idade, níveis de bilirrubi= na e lactato desempenhando papéis centrais. Essa abordagem superou métodos tradicionais como SAPS II e SOFA, evidenciando a superioridade dos modelos = de ML na análise preditiva, sendo no estudo de García-Gal= lo et al. (2020) capaz de prever a mortalidade em 1 ano, usando dados das prim= eiras 24 horas após a admissão na UTI. Nessa linha de raciocínio, Zhou et al. (20= 24) empregaram XGBoost para mortalidade associada a= coagulopatia por sepse, destacando explicações interpretáveis com SHAP, o que fortalece a integração clínica.

Ademais, Pang et al. (2022) e Nistal-Nuño= (2022) também utilizaram o XGBoost, que obteve = um AUROC superior a 0,91, ultrapassando algoritmos como SVM e Árvore de Decisã= o, além de SOFA e SAPS. Em ambos os estudos, a aplicação do SHAP para interpre= tar as previsões elevou a confiança nos resultados, destacando variáveis importantes, como a Escala de Coma de Glasgow (GCS) e a administração de vasopressores.

Essa abordagem práti= ca também foi reforçada por Pattharanitima et al. (2021), cujo modelo de Árvore de decisão, com AUROC de 0,83, foi implementa= do para prever mortalidade em pacientes com acidose láctica, superando o SAPS = II.

Kim et al. (2021) mostraram que o XGBoost é eficaz na previsão de mortalidade em 30 dias para pacientes sob ventilação mecânica, com AUC de 0= ,79, destacando variáveis como o escore APACHE II e o Índice de Comorbidade de <= span class=3DSpellE>Charlson.

Os estudos de Chiu e= t al. (2022) e Kang et al. (2022) exploraram populações mais amplas, como pacient= es com insuficiência cardíaca e UTIs multicêntricas. O St= acking Ensemble Model obteve AUC de 0,82 para predições de curto prazo, tendo prec= isão geral de 95,25% na previsão de mortalidade em 3 dias, enquanto o  LSTM com dois níveis de atenção AUC de 0= .855 na validação externa, proporcionando alta precisão e i= nterpretabilidade, indicando que o uso de dados longitudinais pode melhorar a precisão.

Pacientes com condiç= ões específicas, como câncer colorretal (GUO et al., 2023) e lesão cerebral traumática (TU et al., 2023), beneficiaram-se de abordagens personalizadas, como LightGBM e aprendizado por agrupamento, que integraram dados clínicos e marcadores específicos. O conjunto combinando Random Forest, LightGBM e = XGBoost, superou modelos individuais, com   = AUC de 0.86 no treinamento e 0.73 na validação externa, fornecendo suporte a decis= ões clínicas críticas, com maior confiabilidade. O LightGB= M teve desempenho significativamente superior ao APACHE II (AUC =3D 0,872) e = SOFA (AUC =3D 0,853).

Aldraimli et al. (2022), sob = este ponto de vista, utilizaram a árvore de decisão em conjunto com esta técnica para tratar o desequilíbrio de dados, obtendo uma AUROC de 0,94. Este estudo demonstrou a importância da preparação adequada dos dados para maximizar o = desempenho do modelo, particularmente em populações onde as classes são altamente desproporcionais.

Modelos baseados em = redes neurais também ganharam destaque. George et al. (2021) utilizaram Deep Neural Networks (DNN) para prever mortalidade em paciente com uso de ventilação mecânica prolongada, superando significativamente o ProVent Score (AUC 0,76 X = AUC 0,63, respectivamente), principalmente para mortalidade em 12 meses. Na Pattalung et al. (2021) demonstraram o desempenho rob= usto de GRU (AUC > 0,80) ao analisar séries temporais, reforçando o papel de redes otimizadas em cenários críticos.

A questão do desbalanceamento de dados, frequentemente observada em populações de UTI (o= nde a quantidade de sobreviventes é superior à de óbitos), foi tratada de manei= ras variadas. Ahmad et al. (2021) e Aldraimli et al. (2022) utilizaram o SMOTE como estratégia para aumentar a representação da classe menos favorecida (mortalidade), resultando em uma melhoria significa= tiva na sensibilidade dos modelos. Em contrapartida, estudos como o de García-Gallo et al. (2020) não incluíram técnicas de balanceamento, indicando que a falta desse tipo de pré-processamento pode restringir a habilidade de identificar com precisão pacientes em alto risco. Essa divergência ressalta a importância de métodos de balanceamento para otimizar a eficácia das previsões.

No que diz respeito à generalização dos modelos, Chen et al. (2022) enfatizam a relevância da validação externa em bancos de dados como MIMIC-IV e e= ICU-CRD, reforçando as conclusões de Guo et al. (2023) e= Pezoulas et al. (2022), que asseguram a robustez e a aplicabilidade clínica desses modelos. Pesquisas que se restringem a uma ún= ica base de dados podem apresentar limitações em termos de aplicabilidade práti= ca, especialmente em populações variadas ou em contextos regionais diferentes. =

Ye et al. (2023) utilizaram o eICU-CRD na validação de seus mode= los. Essa abordagem promoveu uma maior generalização dos resultados, ampliando a relevância clínica. A variedade de populações e condições clínicas analisad= as, incluindo ventilação mecânica prolongada, acidose láctica e insuficiência cardíaca, evidenciou a adaptabilidade dos algoritmos em distintos cenários = de UTI.

Os principais result= ados obtidos pelos modelos indicam um impacto considerável na prática clínica. A habilidade de prever a mortalidade em curto e longo prazo (Barchitta et al., 2021; Hu et al., 2024) pode auxiliar na tomada de decisões sobre a alocação de recursos, priorização de cuidados e na realização de intervençõ= es precoces. Ferramentas online, como a desenvolvida por Chen et al. (2023), mostram de que maneira o aprendizado de máquina pode ser incorporado aos processos hospitalares, no caso para pacientes diabéticos.

Essa integração prát= ica contrasta com estudos puramente exploratórios, como o de Sakagianni et al. (2023), sugerindo que a translação do modelo para a prática clínica = deve ser um objetivo prioritário nos próximos anos.

Apesar dos avanços, persistem desafios como a necessidade de maior padronização entre os estudo= s e maior adoção de validações multicêntricas. Além disso, a inclusão de variáv= eis dinâmicas e temporais, como demonstrado por Danay et al. (2024), deve ser priorizada para capturar a evolução clínica dos pacien= tes.

 

5 CONSIDERAÇÕES FINAIS

 

Os modelos de ML demonstram potencial revolucionário na previsão de mortalidade, incluindo os cenários da UTI, fornecendo precisão superior e insights interpretáveis. A junção de biomarcadores e dados clínicos relevantes possibilitam a personalização do cuidado, eficácia e decisões baseadas em evidências palpáveis. Esses modelos apresentaram melhores resultados superando sistemas tradicionais como SAPS II e SOFA.

Destaque para XGBoost, LightGBM e RNN, = sendo excelentes na integração de variáveis clínicas e temporais, permitindo anál= ises mais precisas. SHAP e LIME foram usadas com maestria como ferramenta explicativa, facilitando a aceitação clínica. Outro sim, algoritmos dinâmic= os como ATCN, rede neural baseado na atenção particularmente eficaz em séries históricas identificando mudanças fisiológicas importantes.

Apesar do progresso, desafios como a necessidade como padronização metodológica, processo de validações externas multicêntricas e o desequilíbrio de dados ainda limitam= a aplicação universal dos modelos. A inclusão de variáveis críticas, como ida= de, escore SOFA, lactato e creatinina, reforça a importância dessas abordagens, enquanto modelos eficientes, como o LightGBM, garantem aplicabilidade prática. No geral, a integração do ML nos sistemas hospitalares tem o potencial de transformar os cuidados críticos, fornecendo previsões rápidas, precisas e personalizadas, promovendo intervenções mais precoces e melhores resultados para pacientes gravemente enfermos.

 

 

 =

REFERÊNCIAS

 

AHMAD, Fawad; AYUB, Huma; LIAQAT= , Rehan; KHAN, Akhyar Ali; = NAWAZ, Ali; YOUNIS, Babar. Mortality Prediction in ICU Patients Using Machine Learning Models. In: INTERNATIONAL BHURBAN CONFERENCE ON APPLIED SCIENCES AND TECHNOLOGIES (IBCAST), 2021, Islamabad, Pakistan. Anais... Islamabad: IEEE, 2021. p. 372-376. DOI: 10.1109/IBCAST51254.2021.9393012.

 

ALDRAIMLI, Mahmoud; NAZYROVA= , Nodira; DJUMANOV, Abdumalik; SOBIROV, Ikboljon; CHAUSSALET, Thierry. A Comparative Machine Learning Modelling Approach for Patients’ Mortality Prediction in Hospital Intensive Care Unit. BioInfoMed 2020, v.374, n.1, p.15-31, 2= 022.

 

AROMATARIS, Edoardo; LOCKWOO= D, Craig; PORRITT, Kylie; PILLA, Bianca; JORDAN, Zoe (eds.). JBI Man= ual for Evidence Synthesis. JBI, 2024. Disponível em: https://synthesismanual.jbi.global. DOI: 10.46658/JBIMES-24-01.

 

BACKES, Marli Terezinha Stein; ERDMANN, Alacoque Lorenz= ini; BÜSCHER, Andreas. O ambiente vivo, dinâmico e complexo de cuidados em Unida= de de Terapia Intensiva. Revista Latino-Americana de Enfermagem, v. 23,= n. 3, p. 411-418, 2015.

 

BARCHITTA, Martina; MAUGERI, Andrea; FAVARA, Giuliana; RIELA, Paolo Marco; GALLO, Giovanni; MURA, Ida; AGODI, Antonella. Early Prediction of Seven-Day Mortality in Intensive Care Unit Using= a Machine Learning Model: Results from the SPIN-UTI Project. Journal of Clinical Medicine, v. 10, n. 5, p. 992, 2021.

 

CHEN, Yu-wen; LI, Yu-jie; DENG, Peng; YANG, Zhi-yong<= /span>; ZHONG, Kun-hua; ZHANG, Li-= ge; CHEN, Yang; ZHI, Hong-yu; HU, Xiao-yan; GU, Jian-teng; NING,= Jiao-lin; LU, Kai-zhi; ZHANG, = Ju; XIA, Zheng-yuan; QIN, Xiao-lin; YI, Bin. Learning to predict in-hospital mortality risk in the intensive care unit with attention-based temporal convolution network. BMC Anesthesiology, v.= 22, n. 1, p. 119, 2022.

 

CHEN, Zijun; LI, Tingming; GUO, Sheng; ZENG, Deli; WANG, Kai. Machine learning-based in-hospital morta= lity risk prediction tool for intensive care unit patients with heart failure. <= b>Frontiers in Cardiovascular Medicine, v. 10, p. 1119699, 2023.<= /p>

 

CHIU, Chih-Chou; WU, Chung-M= in; CHIEN, Te-Nien; KAO, Ling-Jing; LI, Chengcheng; JIANG, Han-Ling. Applying an Improved Sta= cking Ensemble Model to Predict the Mortality of ICU Patients with Heart Failure.= Journal of Clinical Medicine, v. 11, n. 21, p. 6460, 2022.

 

DANAY, Lihi; RAMON-GONEN, Ro= ni; GORODETSKI, Maria; SCHWARTZ, David G. Evaluating the effectiveness of a sli= ding window technique in machine learning models for mortality prediction in ICU cardiac arrest patients. International Journal of Medical Informatics, v. 191, p. 105565, 2024.

 

DEO, Rahul C. Machine Learni= ng in Medicine. Circulation. v.132, n.2= 0, p.192030, 2015.

FARIAS, Josivania Silva; GUIMARÃES, Tomás de Aquino; VARGAS, Eduardo Raupp de; ALBUQUERQUE, Pedro Henrique Melo. Adoção de prontuário eletrônico do paciente em hospitais universitários de Brasil e Espanha: a percepção de profissionais de saúde. Revista de Administração Pública, v.= 45, n. 5, p. 1303-1326, 2011.

 

GARCÍA-GALLO, Juan E.; FONSE= CA-RUIZ, Nelson J.; CELI, Leo A.; DUITAMA-MUÑOZ, Juan F. A machine learning-based mo= del for 1-year mortality prediction in patients admitted to an Intensive Care U= nit with a diagnosis of sepsis. Medicina Intensiva, v. 44, n. 3, p. 160-170, 2020.

 

GEORGE, Naomi; MOSELEY, Edwa= rd; EBER, Rene; SIU, Jennifer; SAMUEL, Mathew; YAM, Jonathan; HUANG, Kexin; CEL= I, Leo Anthony; LINDVALL, Charlotta. Deep learning to predict long-term mortal= ity in patients requiring 7 days of mechanical ventilation. PLOS ONE, v. 16, n. 6, p. e0253443, 2021.=

 

GUO, Chunxia<= /span>; PAN, Jun; TIAN, Shan; GAO, Yuanjun. Using machine learning algor= ithms to predict 28-day mortality in critically ill elderly patients with colorectal cancer. Journal of International Medical Research, v. 51, n. 11, p. 03000605231198725, 2023.

 

HOSMER, David W. Jr.; LEMESH= OW, Stanley; STURDIVANT, Rodney X. Applied Logistic Regression. 3. ed. Hoboken: John Wiley & Sons, Inc., 2013.

 

HU, Tung-Lai; CHAO, Chuang-M= in; WU, Chien-Chih; CHIEN, Te-Nien; LI, Chengcheng. Machine Learning-Based Predictions of Mortality and Readmission in Type 2 Diabetes Patients in the ICU. Applied Sciences, v. 14, n. 18, p. 844= 3, 2024.

 

JORDAN, Michael I.; MITCHELL= , Tom M. Machine Learning: Trends, Perspectives, and Prospects. Science, v. 3= 49, n. 6245, p. 255-260, 2015.

 

KANG, Yanni; JIA, Xiaoyu; WA= NG, Kaifei; HU, Yiying; GUO, = Jianying; CONG, Lin; LI, Xiang; XIE, Guotong. A Clinically Practical and Interpretable Deep Model for ICU Mortality Prediction with External Validation. AMIA Annual Symposium Proceedings, v. 2020, p. 629-637, 2021.

 

KIM, Jong Ho; KWON, Young Su= k; BAEK, Moon Seong. Machine Learning Models to Predict 30-Day Mortality in Mechanic= ally Ventilated Patients. Journal of Clinical Medicine, v. 10, n. 10, p. 2172, 2021.

 

MUELLERA.C.; GUIDO, S. Intro= duction to Machine Learning with Python: A guide for data scien= tist. [S.l.]: O’Reilly Media, 2016.=

 

MÜLLER, Andreas C.; GUIDO, S= arah. Introduction to Machine Learning with Python: A Guide for Data Scientists. [S.l.]: O’Reilly Media, 2016.

 

NA PATTALUNG, Thanakron; INGVIYA, Thammasin; CHAICHULEE, Sitthichok. Feature Explanations in Recurrent Neural Networks for Predicting Risk of Mortality in Intensive Care Patients. Journal of Personalized Medicine, v. 11, n. 9, p. 934, 2021.

NISTAL-NUÑO, Beatriz. Develo= ping machine learning models for prediction of mortality in the medical intensive care unit. Computer Methods and Programs in Biomedicine, v. 216, p. 106663, 2022.

 

NUMAIR, Tarek; HARRELL, Dani= el Toshio; HUY, Nguyen Tien; NISHIMOTO, Futoshi; MUTHIANI, Yvonne; NZOU, Samson Muuo; LASAPHONH, Angkhana; PALAMA, Khomsonerasinh; PONGVONGSA, Tiengkham; MOJI, Kazuhiko; HIRAYAMA, Kenji; KANEKO, Satoshi. Barriers to the Digitization of Health Information:= A Qualitative and Quantitative Study in Kenya and Lao PDR Using a Cloud-Based Maternal and Child Registration System. International Journal of Environmental Research and Public Health, v. 18, n. 12, p. 6196, 2021.<= o:p>

 

PANG, Ke; LI, Liang; OUYANG,= Wen; LIU, Xing; TANG, Yongzhong. Establishment of ICU Mortality Risk Prediction Models with Machine Learning Algorithm Using MIMI= C-IV Database. Diagnostics, v. 12, n. 5, p. 1068, 24 abr. 2022.

 

PATTHARANITIMA, Pattharawin; THONGPRAYOON, Charat; KAWEPUT, Wisit; QURESHI, Fawad; QURESHI, Fahad; PETNA= K, Tananchai; SRIVALI, Narat; GEMBILLO, Guido; O'CORRAGA= IN, Oisín A.; CHESDACHAI, Supavit; VALLABHAJOSYULA,= Saraschandra; GURU, Pramod K.; MAO, Michael A.; GAROV= IC, Vesna D.; DILLON, John J.; CHEUNGPASITPORN, Wisit. Machine Learning Predict= ion Models for Mortality in Intensive Care Unit Patients with Lactic Acidosis. = Journal of Clinical Medicine, v. 10, n.= 21, p. 5021, 2021.

 

PESSOA, Stela Mares Brasileiro; OLIVEIRA, Bianca Silva de Sousa; SANTOS, Wendy Gomes dos; OLIVEIRA, Augusto Novais Macedo; CAMARGO, Marianne Silveira; MATOS, Douglas Leandro Aparecido Barbosa de; SILVA, Miquéias Martins Lima; MEDEIRO= S, Carolina Cintra de Queiroz; COELHO, Cláudia Soares de Sousa; ANDRADE NETO, = José de Souza; MISTRO, Sóstenes. Predição de choque séptico e hipovolêmico em pacientes de unidade de terapia intensiva com o uso de machine learning. Revista Brasileira de Terapia Intensiva, v. 34, n. 4, p. 477-483, 2022.

 

PEZOULAS, Vasileios C.; TSIORIS, Konstantinos; ZERVAKIS, = Michalis; KONITSIOTIS, Spyridon<= /span>; FOTIADIS, Dimitrios I. A Multimodal Approach for the Risk Prediction of Intensi= ve Care and Mortality in Patients with COVID-19. Diagnostics (Basel), v. 12, n. 1, p. 1-28, 2021.

 

POLO, Tatiana Cristina Figueira; MIOT, Hélio Amante. Aplicações da curva ROC em estudos clínicos e experimentais. Jornal Vascular Brasileiro, v. 19,= p. e20200186, 2020.

 

SAKAGIANNI, Aikaterini; KOUFOPOULOU, Christina; VERYKIOS, <= span class=3DSpellE>Vassilios; LOUPELIS, Evangelos; KALLES, Dimitrios; FERETZAKIS, Georgios. Prediction of COVID-19 Mortality in the Intensive Care Unit Using Machine Learning. In: Studies in Health Technology and Informatics. [S.l= .]: IOS Press, 2023. p. 536-540.

 

TRICCO, Andrea C.; LILLIE, E= rin; ZARIN, Wasifa; O'BRIEN, Kelly K.; COLQUHOUN, Heather; LEVAC, Danielle; MOHE= R, David; PETERS, Micah D. J.; HORSLEY, Tanya; WEEKS, Laura; HEMPEL, Susanne; ATKINS, Dianne; AMENTA, William; MUNIYANDI, Muthu; NGUYEN, Phuong; SIVARAMA= N, Meenakshi; STRAUS, Sharon E. PRISMA extension for scoping reviews (PRISMA-<= span class=3DSpellE>ScR): checklist and explanation. Annals of Internal Medicine, v. 169, n. 7, p. 467-473, 2018.

 

TU, Kuan-Chi; TAU, Eric Nyam= Tee; CHEN, Nai-Ching; CHANG, Ming-Chuan; YU, Tzu-Chieh; WANG, Che-Chuan; LIU, Chung-Feng; KUO, Ching-Lung. Machine Learning Algorithm Predicts Mortality = Risk in Intensive Care Unit for Patients with Traumatic Brain Injury. Diagnos= tics, v. 13, n. 18, p. 3016, 2023.

 

YE, Zix= iang; AN, Shuoyan; GAO, Yanxiang= ; XIE, Enmin; ZHAO, Xuecheng= ; GUO, Ziyu; LI, Yike; SHEN, Nan; REN, Jingyi; ZHENG, Ji= ngang. The prediction of in-hospital mortality in chronic kidney disease patients = with coronary artery disease using machine learning models. European Journal = of Medical Research, v. 28, n. 1, p. 33, 2023.

 

YU, Zhi= jiang; LI, Hexin; PISHGAR, Maryam; ASHRAFI, Negin; ALA= EI, Kiarash. Prediction of 30-day mortality for ICU patients with Sepsis-3. = BMC Medical Informatics and Decision Making, v. 24, n. 1, p. 223, 2024.

 

ZHAI, Y= ihai; LAN, Danxiu; LV, Siying; MO, Liqin. Interpretability-based machine learning for predicting the risk = of death from pulmonary inflammation in Chinese intensive care unit patients. = Frontiers in Medicine, v. 11, p. 1399527, 2024.

 

ZHOU, Shu; LU, Zongqing; LIU, Yu; WANG, Minjie; ZHOU, Wuming; CUI, Xuanxuan; ZHANG, Jin; XIAO, Wenyan; HUA, <= span class=3DSpellE>Tianfeng; ZHU, Huaqing; Y= ANG, Min. Interpretable machine learning model for early prediction of 28-day mortality in ICU patients with sepsis-induced coagulopathy: development and validation. European Journal of Medical Research, v. 29, n. 1, p. 14, 2024.

 

 

 

------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091_arquivos/item0001.xml Content-Transfer-Encoding: quoted-printable Content-Type: text/xml ------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091_arquivos/props002.xml Content-Transfer-Encoding: quoted-printable Content-Type: text/xml ------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091_arquivos/themedata.thmx Content-Transfer-Encoding: base64 Content-Type: application/vnd.ms-officetheme UEsDBBQABgAIAAAAIQDp3g+//wAAABwCAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbKyRy07DMBBF 90j8g+UtSpyyQAgl6YLHjseifMDImSQWydiyp1X790zSVEKoIBZsLNkz954743K9Hwe1w5icp0qv 8kIrJOsbR12l3zdP2a1WiYEaGDxhpQ+Y9Lq+vCg3h4BJiZpSpXvmcGdMsj2OkHIfkKTS+jgCyzV2 JoD9gA7NdVHcGOuJkTjjyUPX5QO2sB1YPe7l+Zgk4pC0uj82TqxKQwiDs8CS1Oyo+UbJFkIuyrkn 9S6kK4mhzVnCVPkZsOheZTXRNajeIPILjBLDsAyJX89nIBkt5r87nons29ZZbLzdjrKOfDZezE7B /xRg9T/oE9PMf1t/AgAA//8DAFBLAwQUAAYACAAAACEApdan58AAAAA2AQAACwAAAF9yZWxzLy5y ZWxzhI/PasMwDIfvhb2D0X1R0sMYJXYvpZBDL6N9AOEof2giG9sb69tPxwYKuwiEpO/3qT3+rov5 4ZTnIBaaqgbD4kM/y2jhdj2/f4LJhaSnJQhbeHCGo3vbtV+8UNGjPM0xG6VItjCVEg+I2U+8Uq5C ZNHJENJKRds0YiR/p5FxX9cfmJ4Z4DZM0/UWUtc3YK6PqMn/s8MwzJ5PwX+vLOVFBG43lExp5GKh qC/jU72QqGWq1B7Qtbj51v0BAAD//wMAUEsDBBQABgAIAAAAIQBreZYWgwAAAIoAAAAcAAAAdGhl bWUvdGhlbWUvdGhlbWVNYW5hZ2VyLnhtbAzMTQrDIBBA4X2hd5DZN2O7KEVissuuu/YAQ5waQceg 0p/b1+XjgzfO3xTVm0sNWSycBw2KZc0uiLfwfCynG6jaSBzFLGzhxxXm6XgYybSNE99JyHNRfSPV kIWttd0g1rUr1SHvLN1euSRqPYtHV+jT9yniResrJgoCOP0BAAD//wMAUEsDBBQABgAIAAAAIQC7 sS6DoQYAAGEbAAAWAAAAdGhlbWUvdGhlbWUvdGhlbWUxLnhtbOxZTW8bRRi+I/EfRntvbSd2Gkd1 qtixG2jTRrFb1ON4d7w7zezOamac1DfUHpGQEAVxoBI3Dgio1EpcyomfEiiCIvUv8M7M7non3jRJ G0EF9SHxzj7v98e8M7585V7M0D4RkvKk4zUu1j1EEp8HNAk73q3R4MKqh6TCSYAZT0jHmxHpXVl/ /73LeE1FJCYI6BO5hjtepFS6VqtJH5axvMhTksC7CRcxVvAowlog8AHwjVltqV5fqcWYJh5KcAxs R0CDAo5uTibUJ956zr7PQEaipF7wmRhq5iSj6UtfUPXLE0G5IQj2GhomZ7LHBNrHrOOBuIAfjMg9 5SGGpYIXHa9uPl5t/XINr2VETB1DW6IbmE9GlxEEe0tGpgjHhdDGoNm+tFnwNwCmFnH9fr/XbxT8 DAD7PphrdSnzbA5WG92cZwlkvy7y7tVb9aaLL/FfXtC53e12W+1MF8vUgOzX5gJ+tb7S3Fhy8AZk 8a0FfLO70eutOHgDsviVBfzgUnul6eINKGI02VtA64AOBhn3AjLhbKsSvgrw1XoGn6MgG4oU0yIm PFGvTLgY3+ViACiNZljRBKlZSibYh4zu4XgsKNZS8BrBpTd2yZcLS1og0kmdqo73YYqhOub8Xj77 /uWzJ+jw/tPD+z8dPnhweP9Hy8ih2sJJWKZ68e1nfz36GP355JsXD7+oxssy/rcfPvn158+rgVBD c3Wef/n496ePn3/16R/fPayAbwg8LsNHNCYS3SAHaJfHYJjxiqs5GYuzUYwiTMsUG0kocYK1lAr+ fRU56BszzLLoOHp0ievB2wJ6SBXw6vSuo/AwElNFKyRfi2IHuM0563JR6YVrWlbJzaNpElYLF9My bhfj/SrZPZw48e1PU+igeVo6hvci4qi5w3CicEgSopB+x/cIqbDuDqWOX7epL7jkE4XuUNTFtNIl Izp2smlOtEVjiMusymaIt+Ob7duoy1mV1Ztk30VCVWBWofyIMMeNV/FU4biK5QjHrOzw61hFVUoO Z8Iv4/pSQaRDwjjqB0TKKpqbAuwtBf0ahrZVGfZtNotdpFB0r4rndcx5GbnJ93oRjtMq7JAmURn7 gdyDFMVoh6sq+DZ3K0Q/Qxxwcmy4b1PihPvkbnCLho5K8wTRb6ZCxxL6tdOBY5q8qh0zCv3Y5sD5 tWNogM+/flSRWW9rI96APamqEraOtN/jcEebbo+LgL79PXcTT5MdAmm+uPG8a7nvWq73n2+5x9Xz aRvtvLdC29Vzg52MzZwcv3pMnlDGhmrGyHVpJmUJm0UwgEVNbI6LpDg7pRF8zZq7gwsFNjRIcPUR VdEwwilM2Q1PMwllxjqUKOUSjnhmuZK3xsOkruwBsaWPDrYpSKy2eWCXl/VyfkIo2JgtJzRn0VzQ smZwWmHLlzKmYPbrCGtopU4trWFUM/3OkVaYDIFcNA0WC2/CFIJgdgEvr8CBXYuG0wlmJNB+txtw HhYThfMMkYxwQLIYabsXY9QwQcpzxVwMQO5UxEgf907wWklaW7N9A2mnCVJZXPMYcXn03iRKeQbP o6SL90g5sqRcnCxBBx2v3VpqecjHacebwMEWvsYpRF3qwQ+zEG6KfCVs2p9YzKbK59Fs54a5RdCA Cwvr9wWDnT6QCqk2sYxsaphXWQqwREuy+i+1wK3nZYDN9NfQYnkVkuFf0wL86IaWTCbEV+Vgl1a0 7+xj1kr5VBExjIIDNGZTsYsh/DpVwZ6ASrifMB1BP8CNmva2eeU256zoyvdYBmfXMUsjnLVbXaJ5 JVu4qeNCB/NUUg9sq9TdGHd2U0zJn5Mp5TT+n5mi9xO4LlgOdAR8uNcVGOl67XhcqIhDF0oj6g8E TA+md0C2wK0svIakgttl81+Qff3f1pzlYcoaTn1ql4ZIUNiPVCQI2YG2ZLLvBGaNbO+yLFnGyGRU SV2ZWrXHZJ+wke6BK3pv91AEqW66SdYGDO5o/rnPWQWNQz3klOvN6SHF3mtr4J+efGwxg1FuHzYD Te7/QsWKXdXSG/J87y0bol/Mx6xmXhUgrLQVtLOyf00VzrjV2o61YPFSK1cOorhoMSwWA1EKlz5I /4H9jwqf2R8q9IY64rvQWxH85KCZQdpAVl+wgwfSDdIujmFwsos2mTQr69psdNJeyzfrc550C7lH nK01O028z+jsYjhzxTm1eJ7Ozjzs+NquHetqiOzREoWlSX6aMYExv3GVf4Ti47sQ6E245J8yJU0y wa9LAsPoOTR1AMVvJRrS9b8BAAD//wMAUEsDBBQABgAIAAAAIQAN0ZCftgAAABsBAAAnAAAAdGhl bWUvdGhlbWUvX3JlbHMvdGhlbWVNYW5hZ2VyLnhtbC5yZWxzhI9NCsIwFIT3gncIb2/TuhCRJt2I 0K3UA4TkNQ02PyRR7O0NriwILodhvplpu5edyRNjMt4xaKoaCDrplXGawW247I5AUhZOidk7ZLBg go5vN+0VZ5FLKE0mJFIoLjGYcg4nSpOc0IpU+YCuOKOPVuQio6ZByLvQSPd1faDxmwF8xSS9YhB7 1QAZllCa/7P9OBqJZy8fFl3+UUFz2YUFKKLGzOAjm6pMBMpburrE3wAAAP//AwBQSwECLQAUAAYA CAAAACEA6d4Pv/8AAAAcAgAAEwAAAAAAAAAAAAAAAAAAAAAAW0NvbnRlbnRfVHlwZXNdLnhtbFBL AQItABQABgAIAAAAIQCl1qfnwAAAADYBAAALAAAAAAAAAAAAAAAAADABAABfcmVscy8ucmVsc1BL AQItABQABgAIAAAAIQBreZYWgwAAAIoAAAAcAAAAAAAAAAAAAAAAABkCAAB0aGVtZS90aGVtZS90 aGVtZU1hbmFnZXIueG1sUEsBAi0AFAAGAAgAAAAhALuxLoOhBgAAYRsAABYAAAAAAAAAAAAAAAAA 1gIAAHRoZW1lL3RoZW1lL3RoZW1lMS54bWxQSwECLQAUAAYACAAAACEADdGQn7YAAAAbAQAAJwAA AAAAAAAAAAAAAACrCQAAdGhlbWUvdGhlbWUvX3JlbHMvdGhlbWVNYW5hZ2VyLnhtbC5yZWxzUEsF BgAAAAAFAAUAXQEAAKYKAAAAAA== ------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091_arquivos/colorschememapping.xml Content-Transfer-Encoding: quoted-printable Content-Type: text/xml ------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091_arquivos/header.htm Content-Transfer-Encoding: quoted-printable Content-Type: text/html; charset="windows-1252"





Aprendizagem de máquina na previsão de índices de mortalidade em Unidades de Terapia Intens= iva: Uma

revisão integrativa da literatura

Enathanael Ribeiro Soares; Maria Angél= ica Farias Grangeiro; Ana Heloísa dos Santos; Joel Freires de Alencar Arrais; <= span class=3DSpellE>Glêbia Alexa Cardoso; Est= elita Lima Cândido

IS= SN 2237-4558  •<= /span>  Navus    Florianópolis    SC    v. 13 • p. 01-7jan./dez. 2023

7

 

 

 

                  =                                                                           <= /span>       

 

ISSN 2237-4558    Navus    Florianópolis   SC=     v.9  •=   n.2    p. XX-XX  •  abr./jun. 2019

 

 

 

IS= SN 2237-4558  •<= /span>  Navus    Florianópolis    SC    v. 16 • p. 01-7jan./dez. 2025

6

 

 

 

 

IS= SN 2237-4558  •<= /span>  Navus    Florianópolis    SC    v. 16 • p. 01-7jan./dez. 2025

7

 

 

 

 

IS= SN 2237-4558  •<= /span>  Navus    Florianópolis    SC    v. 16 • p. 01-7jan./dez. 2025

1

 

 

 

 

 

------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091_arquivos/image001.emz Content-Transfer-Encoding: base64 Content-Type: image/x-emz H4sIAAAAAAAEC72bC3QUVZrHb9UXqqu7qqurwSHykJdKCOODgIRFkIAJiYgRSAgEIeGtBAwgg1Fi QAxinjgJLo/w9DHiOAmCoOJmlHMcAWdxx2EclNlRRBhh0AFB1xUP4rr/ezbV6W3Id2d2z+k+50f6 5vv6u9/97v/eqrodNCHEcqC1UI6fXYH3+jQsxDkSosfI7EzpZWYLcRfaOhwC4P4Wxwnt8Aa/P4FA IRks6nXvPT6R1ytBpIsFYpGYjc+MFNkC4fBCeGEDE8h4LvBefrxxgQwnUdllHBd4LwtvXOB9Prbt xb8WPpIOQMaQ/kng6pb3+CEG1ZXIH+J64Pl475H78iH4vRxDF+CCGahFHoqUj/d9gPf6seUFM3xK 9HFUofcDnF8I9kv6Sv2CvoL1+0wv0z/Si0Genor4LvgIOfwRP7n4H+mvi/36NrFO38L6/VzfJFbo G8UifQPrN11vENlgAPDyyEZRGxR5pGoNope2QXQAXL6kbRTfis3irODz/Y14QWwX/wIOR/JoQg6n kQsXv0kEMMrOeing/CbBnik66SNER9bvZuHqvYUGTmtePaS+PlDUI0nMEKtEspikJUfyH4D5TFZ8 7gc9GdqaAQ6L2+BrgqEtP4fh59XAWxOd8F7q3tOyD1r23uPXy/vgH0/v/981UWMI8bKi9jVGo1Zj /EKrNjZqXO2rjdXwqdSqjDLWr8pYCJ97QQHrV2mM1yqNbJAVmaMdCUJkKfJ9KiFLK0m4S5uUMIGN 3z9hptY9YTGoisTvjvgfKuJ3TzijDUj4QZuc4Gc1tjihvV6fkKjvAp7G/qudEImKPehmI1HPMdrr swyTjb/M+B7z8gl4WfM05e11DkTzB8U4HN+d+m4D+1i7ikh+r2H8FYr8FiZU6LcklOpawjQ2vzco Td9A7cGRSH03YJOtVuS1gUZrzdRFu0SX2D3hhoS/iKKEI2IX8OpbBT0fwfrgdFpubBeZxjrxQbt1 rN8h2A+Cfe3Ws35vwv4a2N6ugfWT9kbwAvDyfQZ6kHuw114X065saXPjuQ/xJrR7HExm+5/QbrC4 r12yqARcvK9hzzD6iTIjjfU7atwjHF89+Eube1pnjA3TLW4B8drTzuOmJAf9cWM8HygUXwTmiaOB 0kjtB/qFeESh/d7+Wv0n/jW6Drj458w1+jFzlf4Hsyyytq7HmixV5NXJN0908BWCHDb/Dr6B4qe+ 3mIK4PJYAvsq341ivW9IZJyEcX6DSfE0Nw/1kvdKXJySwI2iJtBb/BJwfn+C/XxgIMhpUxNSC1IT Y0G8NNHdEmIy+uNy724NFv2sZDEOcH6LYH/C6itqrBtZv83WALHNSgeTI7XehjwOK/a/bZamn7QS 9Rl263UjOai+brwYTNQ/DwrwfmS/PYXPfaIY96ngAXEuuEdozk52PIazXXRymsStgKvPZNjvd94A n0TGPd8R4n3FuOc7o3XdqdCTg63XoyDyl9cjT6sXceMT3T4f0/5bS5vL77RdoZ8CJ+1Kdg1/CPu/ gr12Feu3C/YXwbMKv6etKr27dRd4P3K9Hoq5MYF3DzgO7+XamAvitTaaw0L8WTE3zeFsfUa4Qt/l ts7Nl5hT1b3Ce5jPN50SkMfW8E3nBv09J1H/EnhzvctVa94IJ+r9wgT+HNF8P4znbcV4+oW3aIFw rbbXrY187mRIiFrF57qFarVmZzw4GdFkM+qwD/PFaa7ZKRVnnNFibGgQ6zc71F+Uh24SL4ZuYP0O hfoKzU0WQwHXbyHs891hYA7rN9+tEoVuA+K13pt8jHrIexMu/q9CDaI2tAE5b2T98kLPiLTQDrAv Urc0xP9MET8tZGoPhTprp4Cni7ehi86KeZoT7qw1h8eBvW2utfvRN8KIcvB/XWur/3kdPt36rCbj XQ+wDcl1fdkZxEZDiM3Uup+9doX29Cj727DLNjcH7xvT6d+N++ioUUqc33Gjlk4a6+mvxmbyaqnj nkTmw33uR2MdfW88QReMxWz8/zDupbPGFDph5Efin0D+ExXxzxu59IORCQaw8X8wkug7oyudNzqy fn81gqhHgPYBblyvwL7NsGgj/GOfn+S8dFfk/brRnfYa3egA4Po5AvsJozcYyPqdMDLoiJGNeNmR +sk8spGHl1/s9aIfdNYRDACdgac9TOvffWbwj2p4AYIvUNRmga+YFvqKwCx2zAt92TTbl0K3A66G PWEPwTfkm8v6hXzVdK1vK40EXLzxsE/3baK5vvWRWt+LcT2hGFehr4ryfDU0CnDx/wn2ZF85WHCZ tpLRT4Gin76+HErxpdMIwPWTC/tEXy4oiPQTqxF5v50IUkGXOGlkCcY4AGOUfbrgabSj973mmPaJ GP8DMe1X0S5S1GyXbxHt9JXSS74VkTndjs+tUHyuCZ95EZ/dBr16+a5p6b+tdTcIY0oEt4J4rbug +b9rKNvRNf66JWdvDLIta+6NQc69C37E701FTS74TPrK5wB+r/3K142+9V1HPwJOp37zOnLMboCP 55gO+U0T8cw29Sxr3hEMAfGq/bWo9TpFzX5qbqJUcyulA64WU2Gfb9aDZaxfsTmfZpuzaJxZyPpl mJMozZwAxrB+aeYoyjAz6G7A5TcR9mlmFs0y74yshyKMf5Bi/DPNW2iSmULZgIs/EPbeZhrIYf16 Y9w3mXNRzwdYv7HmgzTeXAKWs37jzQoaY9YiXi3rdyvsN5mV1Md8vE0Nyj1Wrn/53BavPbUSc9AD c+Ctb9mOXv9LrtDOivGPbS9RzGklalZt1lGduZat2RpofzN0/YJC+ztgf83cQs1yraB2LmhG3pWK PPaYVfQK2AHy8Zk+wHtFf3/3POzPmitASST+s4gfPe5fX6EdXUfpH9u+Gvl5+2js9VVqQGphOIiX FnriDK9QUbOe/kxK9KfQfyrW40nYj5ip9Hvz1kjNDqMG8jvlfIypD/Be0bX+GHvEKewVXyn2E/Jn kOEfAyZE4hvIP18R/5iZT781ZwN+Xf8W+jwMXX2u0N4F2HV/A5n++kgeJvKoRx6eFgNoR9+n9Gpp c3Xo6V9LPf2rwIrIfuFda334/MOKcfr8peTzl6E+S1ltJ/hX0iXsTV8p9q/PYT+BdXvC5OOdMIvp G7MIfRdF8o7V9nBMvNR2OoiXtneiZhQ1J7KdFtXe0dLm5qTRP4iehvZXA87vYdhnYJ3MRA04v5n+ anrIv5XqAOe3FfYm/3ra5a+NaGwX8q2Nyv8VtKM19m5Lm4v7rn8NHUQOB/2PRuIexOdknbx9ydOc rJfq+WynH/fK/sW0w/8QO54mfzk9h37XAy6/CtiXQcPL/HNYv2X+PKpAvdcDLt4vYN/uvxv55bN+ O/33YBwFYGqbGh4J7cr7xTviqOHhAfUcDA8U04hAEeCfkUcEcB4QSKEOgKvZ19Dyp/5swD8jf4q5 +gY67RjgtXw97P0Dm2hIoPUZeRDGpXpGvjlQRb0DNdQZcPn6Yb8IfV30X/6MfBEaLoC2uc9/788h PZBO7QHndx3sfQK5oO1n5DugDbnPjY6jRr5DLeU11rv27L9CO/os8BjssW3VXHwUqKDDgUp6F3A1 aoJ9feBBMJ71Wx/oTy8FetDvABfvY9hPBXrRl4Hekf3qG+QfVszp2YBDxwIBxOfP7jbDvjSQRGWB PDaPssA8ejywjOoVWtwCjb8c2EIHATeuo7CfCzTQd4G1be432dCQ3G/Ggs4gHmdyxZZ6vym2imm+ VQT4/Wa+lU0zrRQaDrhadIc9CN+gxe83Qauaelp4LgZcvBzYp1qbaI7Vut/MwrhUGp9iVVGuVUNZ gIufCnuSVQ4u32+S0I9qv+lj5dDNVjqlAa6fcbDnWbmg7f1mHHQh95vxoEucNLIUY1ynWH+Po/51 mIfNirl6HfZ3rHrAn2G8Y82nvdBbo8WfYWyxJlGDNQHwZxgN1ijaYmXQLwE3By/D3mxloe/WM4y3 Mf5BivG/ad1Cu6HrFxTa/znsj1ppgD/DeBTjrsT62GTxZxgvWg/SS9YSwD/rvGRVYOy1mB/+DOMp 2CutSiq32j7DkNqTGpwQRw0exxxEn2HIdvSz9h+v0I5+dpf+sW3VGcZx1Owzq46+sPgzjHPQ/gXo WrP5fcoPu2tvoavs1jOMq2z1GYZrV5ED/IDT7o/Yzy5ZK0DrGcalmHH/BP1F10G2o+so/WPb3BnG xBYtyLy6gHhcs0qRs+oMo9TOpAfsFBoDuJoNgz3FTqVku/UM4ybEV51hDLSzaLidQaMBF78A9mn2 GNB6hjEN8VVnGIPtfOplzwb8uu5l19GN0FW6QntjYZ9sN9AMu/UMYwbyiD7DmIV29PNlWUubG98j 9loqtVeBy88wpuPzqjOM6XYpTbfLUB/+zKHAXkkT7FrUm9+/0mEfalcAPt5Qu5jutovQd+sZhtSv C4Yj72sV+/0I+xrUvDNlAq4+o2AfbXeBDq9h/XLtHjTR7kUFgIt3H+zFiFls+yP3x1JPfkW+02yX Cu320EB7Nn4+7HnwHWc7rF+2bdMoO0AZgMt3MOwD7A7g2jbveyeh5vK+dzKI1x5yADVLUdRsG/aG OuwjddAIN8Y6u4ZewPrap1iDx2C/aD8J7mPjXcTechJ9HwCxZzQy7wxF3n/CnnPMngj4M5VjWCOH sV72K9bUq7A3Yo02KuI1os/d6PsA8PIeijk1gTzrvhpMAfLeYSqI11yvDaqfcdYGi2ldsAjwzzjr gtlUG0yhuYDTxB2wp8I3Ncg/46QGq+nO4Fa6H3DxHoG9MriJ6oOtzzirMC7VM87KYBWVBWtoIeDi T4V9bLAcXP6MMxb9qJ5xxgVxPxtMpzmA66cU9mXBXND2M870Fo3MjKNGzmKM0dc+E3+bF9vuiXXn nbn0hz22bUXZ9yFebDvaX/Yn27dhjCaIXSez8Tu5J84B8ToLqMaYVOe/1U4x1ThFgF8nNU42LXdS qBBwehgKe1/49nX4ddLXqaZhzlaaBrh4C2EvczbRSqd1nTyGcanWyRKnihY6NTQLcPFzYc9wysHl 6yQD/ajWyUgnh+5y0mkK4PqZD/siJxe0vU7mQBtyL50L4rWXfvF31PKkU0mfYL4+ANwY34b9VWcp 4K9Trzp59JaTiXj82f8nsJ907qDPndZnd/m3xqlYZ1wep50ByDeFDiu0ugP2Dc4owN8PbMC4dkCH hxRaPQr7aWj1S6ehzevlvJY5Lo7jHGv4+9rova/rFdpTFTXtGppCXUP5dE1oAquBHqG7KSmURf0B N0fDYc8M5YDpkfvezJi8pl2hrXpOnBa6jbJDKTQEcP33hb1baAh1CqVH+u+E/tKj9vxEtKOfnUVL m4uroX8NY9NCuW1qYH6LBhbiZ7yuBU3IPUUxx6tQk5JQJuDXQ0mohlaFtlIj4GqxH/bjoScBf398 HPX6N/TdBLzrp9z/XCDzVt0f7w1l0P7QRMDvO/tDS+nXIdz7Ai7vjbDXh8oAH68efTag7ybg5R17 3X8AY5B7+mIQrz39W9Qser2H3cvbFKVz6S/bbY3hQeQu711KQLz0WoCcVXod5qZQkpsJeL0muTU0 zN1KUwA37w/Bvtp9EvB6Xe1m0VL0XQC8mnl6lXmr9LrAzaASdyLg9VXiLqX73Vr0w+s1G/bb3TLA x7sdfd6JvguAl3esXuUcS70uAfHSqy+M/6ep2Jt84XTyhYeQGR4Q2a/Po9bR+/M5tEdE6dprc3P+ hTuYjmMeDwHObw/sz0Brzyi09oz7BO12N9HvABfvY9hPuWvpDOYuFbVG6uIs/on++xDZXqOoy1m3 iT51X6X3ANffb2B/zX2ZdrrbI/39CvHfUsTf7b5Db7kH6feAi38U9jPwveC+yfrp4d2Yx+fAqogG vbVzBvmonlfOuIvQz4P0N/dhtp/TbjkdcyvpA8DlvR/2N9xSwK+dN9wcescdSR8CLt5x2E+72ciP v086407COCaDwkgdYtdiqfiftbgUP7uCeJzF34a1GH3tkO3oNdbrCm3p7+0n3lzK/3tnKrSVFDap Z9gBHdma9gx3o6TwdXQz4Go/GPY0+KYp4g1Dn4PRdz/g5R1be1lzec1bBuJ1zWtEzVT3t41h7EHh FFoOuFosgH1GOJXuCbd+DzIV8VXfg9wbzqIHwhn0CODiPwl7fXgMaP0epB7xVd+DzA3nU054NuC/ B8kJ11FheCv9DHB5PAZ7bbiBVodbvwd5CnnUQ3vevroG7WhNb29pc3GbwmupEXtUY/jy70HkOFXf g9SHS1Eb3EOG+e8tngyvpCfCtVQGuHx+BntxuALw8YrDxbQsXIR+W78HidX2o9C0vMY/BuJ1jd9j CzFP45/b99jPaxX2YS0bcLXoAPtn1vNgHuv3mZWidbA1xNNYvwrY99gpYF6b/0d0ImrlAwUgCOKx Fz+HjlQ1ey74vLY4eFi7FXA1E7AfQn0PYYyc3yHUQQQ1xONrthj254IpoO2aFbbUbNY/UDMc74ir gHy5QL7/b/kkcmoITQAA ------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091_arquivos/oledata.mso Content-Transfer-Encoding: base64 Content-Type: application/x-mso 0M8R4KGxGuEAAAAAAAAAAAAAAAAAAAAAPgADAP7/CQAGAAAAAAAAAAAAAAABAAAAAQAAAAAAAAAA EAAA/v///wAAAAD+////AAAAAAAAAAD///////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// ///////////////////////////////////////////////////////////////////////////9 /////v///wMAAAAEAAAABQAAAAYAAAAHAAAACAAAAAkAAAAKAAAACwAAAAwAAAANAAAADgAAAA8A AAAQAAAAEQAAABIAAAATAAAAFAAAABUAAAAWAAAAFwAAABgAAAAZAAAAGgAAABsAAAAcAAAAHQAA AB4AAAAfAAAAIAAAACEAAAAiAAAAIwAAACQAAAAlAAAAJgAAACcAAAD+//////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////////////////////////////// /////////////////////////////////////////////////////////////////////////1IA bwBvAHQAIABFAG4AdAByAHkAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA AAAAAAAWAAUA//////////8BAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAEC6qqS9M9wB /v///wAAAAAAAAAAXwAxADgAMgAwADkAMQA4ADYANAA3AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA AAAAAAAAAAAAAAAAAAAAAAAAABgAAgH///////////////8AAAAAAAAAAAAAAAAAAAAAAAAAAAAA AAAAAAAAAAAAAAAAAAACAAAA40sAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAP///////////////wAAAAAAAAAA AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA//////// ////////AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAFwA AHic7Jh1VFxPlvghECAEdxoIEoI7BAgaCDQWHEJw9wSH4BKgcXf3QBI0uJPg0DjB3b1xb9iXb76z v9mZc/bM7M4/e35z+3zee11Vt+4ru7fqDQ/hLuVUgJYR/kZEEJAQ7u4fIaD8VRrin/whOAgID/78 f3d/f/+X5Pt/y/8pgQMg/zmGf+HXmKMCoAE8AkAHeAyAAYAJgAWA/XsKIOAC4AHgAxAAEAIQARAD kACQAoAAyADIASgAngBQAlABUAPQADwFoAV4BkAHQA/AAMAIwATADMDy53v+W/51ooJgC/ycgLGQ RLAB7g4Ibn/rCv5bIUJ4+J9r/pc/0NqUNQofS2yQtGBVuNjpjv/rskr3BfnN3HOISMBz23/6FEWE dwim/5TNvxZ0hAeIf92ef1SP4M87EmDfCMEKQQZovRnQE/+s4AH2Ef+o57fv+0d0fpX/i199hSCB oAL0vSvQ96Z/jIDjP2Wf6M/2I/8T9n+NE86fz3+97v8t//8J4u/p8L8QpP+3J/gfCHUsCAEiioRw ZEuNkDv2v6np3/I/kVcIJoDPfwV4vl++xxDBEribAimqf8QCUyDl/X+rTwdMn7+eT/+IzYcAMwr/ irf/Lf+s/X+1/F+2rySHhAzEQjQ0hHkFOxnr2fdXmUBoqhD6vYsztrVxMrVxYjcxdDL848LJBlz3 teXfkUkSeLuAcKmKck59cRI8s5kIZfDp5WW08gOmnuXTOoPo5bWr0SObIyNu8a/osUSD0OyXxmkC oq8dEXIcxFZ866jsw6PrcqQDyaioxdoD0QKK6gIuFvZcfVacm6wLg7hseQQruW1b3E42BmY19xXQ ZUkSl2lPjXrEMN5kY0jyQzgHNSLkGFvRHiL0rOiCuKaYokp4pJco1h9/msiLLFFNvGMiT7/55kBc 7v3IA19o0GuvvS6iyhst+dadts+0WkIg8bV5lRpLUo/FK3oEz7feOBJMn+UUVSmoL5dqkQ5P55EO MbqkIDA1FT6fIpy7ts8RfYvLEehH83DXz7ufI7ntCAQbwj3LjJoSWB6kLxQpTTfGm890J1O8xcam FJmrZeSAzeMkd9wP7GSgH8kVw470+kYRc6GF/TfPN0TrjxULAhh7WWZjhD5jl10zLNB4x0fMYKfP FV1ynm0LHC3fdi5/KYNt8m41oRIdf1+Ig8Gt7+brn3gKTGEdmr1cQ4pCWWp2FC6nhDou+d9wPw0l mLa8WhStCdrgq7XVob92kfjksG1jOPi2axHTq1dZq3jojRmdPr3eDKe0e9FjF2puFuW0z2x2E3YX 3xawdaXCtUJdAhrESyYJ+36AXm6gaE7ufoNcun1ZVuUNn6QVme+77chou3mIJk6JYbzXOMQaPGPw 4UwmlkhsaDVAE9fF9N2rdia6bIFiBUJnNwFwhkr7p1pwUUb5TRnYZKf2axuWDcMVF9S4AU15gc3S tUw6hkYylIBRJf/vHtSyMime+ySmwNfPB87aYE/PnVivpvGtzUurynRdCx0fhEYHsbwTf4QeDeFf YLy+V0Eziv4eHcSlJYHw6apfHc/dkGhMneWxoTxiu9sGMhrvuNUDBwtttdR1fWdZzNpwB11Ebeue RdQVDy0sf4jpSmGeZtMGbkEtWJekpCH4ikQu+7vcWzARpZ+kq/wm0tZIgT04czUrvItzww3Dobmp p45xg+2NlCQ/c4/6S5EfJKvs3qez41xG8nY2j3bNl51ZRt7h8demf0+lkZO4luW+eGDFGtGQyx4u 7sPsWiYmOUls+dKiuagWLblL8pj9yHyRpGa/Otw83eMMomKGOVjOA9oFr75gpQq99PpqMpIieMvJ ot85+kBbCgtP3eOI5r10rUyEuc5KXRJTeKXM0/5vpq5irinOsRC+5MqOr3kpMZJO+4VTd0lChmhp oScCeHMI8CfKse8+LzU4G7useb9TrjlFf20URnLfJX2WRCIKs0R5tkKeONZ3ZraoDKUXtpbTgvIk dbDqTTZHbiiBBs79pVnZl73jB7alXU2+6gjue32Yk8l0LmG8N++2KLmozOXbvCl+qyecRdjZvFhZ YzuxqznSdCnE/JEvSuNx3gjhu/ezTLbmku8XJn92OdaG7pOYjjumf3je0awyv14vaTmnrTU7cZJg szk3VZloJ2kiFFHgvDARaQ0d9d2tifDQqqRHW7IRHLgZRaY5Pdb1+7A6dn13wZJrak9feqR40/h0 3KpWdfYMJ3dPH13oow6h4imF2ECfrjOu9rkBuTmFsignHDMP+jS71tctE1c80kiRUxcCjvnxlmzT Hs0jrBybIIiM5t1Q/hmeznD3T1loGBtHRG0YBw07LJp1Ci8/7ElMDx6eUJAZT15mcYa3oXCXBi5k OWDXm+1ohqqZDrQVd03mtJfXFmQy+q62SrvnkHz9SyVYyJRFrlwfo41AuzhZMiQWfCq2Zy59L/YB 5t63I3xWvyUjQkbThN+3tUDbsSvasitQYbw+tRnzgctJp9jf7knHjS37vWXaz4vwZ5nsy9WJbrpr Tj5bPExIUhuD1G/Cu199QyTv5m+/DAAZ6CcPd0dv6MS/z8sXfR+WqIkDu+Csofz8dFpFep1o9hFr h7fwkJ4Lilz34TRvcE5aFl9hRTGZ3LV9iRJoDbSCZgRac4PxllDiuoOg0692waZ6XsJNNB8Zzk48 5hRrOh3xJfvDjmxUhaSi8nxAbc7CeznYxl5CJNytjkIxX2o60AkyXepsSKy+bDKO6+U2NNqFPRU2 tJ6sl5j/TLlMOL9KKjIhM/rQ6wM1rcjxRJwdvAJefkZ/UD54Vz1P2uASj1Uuj+jllT3HODz0Xqg0 a/aSYOLTDsX+VW5aaV6t6EWrUl6Nx2AFUqu9S9GiB+qYKNw1OLJmWDlhRIPuaqvPcWnHFc/LxY1s DRfH3Ysjy20aZE80oGV7UPLiemuSCDu0yNnfITXs+pTyv0a0yBYu8WsgkpE++P0N4r9EtPeGjk6m DkqG5qa/wtrNxf29Dx0KCgrOHarJ/dM2GOooy0uWBx2gl1CkDqKXe4gdIi91sDqonrMnk5KwlXNz CA0bGzCktrdFt47vcITNycOeKb+/DYdciM2QkoilavrhIN8hcTYiIGEttUf3RncDDqtHCZrdHz2o hL5G/6DTPPeFFE6Yo5mR/WCEV6BqmIbUtWIzPhPVh/gBnANyuiJHX6qHtY5YXASc+Q8ostuiH+QT ksj63kpAaKkGEQW4KIuM2FLb6yr437ERBT0Cp2aezaat1Saduczaa7ajhdsJuG7hZNo5oAoirzCQ pAxFY2CU6VCxY28pRa+qvYSIU9Aj/fyMQIj6Ahn5bzYBoaIxyppUwNEQDfHvNwF2QGf93gRkPNKJ /3lxj93OxYKEkbvR5WtmsZHqEW+UG8tsxmZZGuxhVWerLy/PMclD6NhbZvnps6aVldkKaCNV1mY9 VnawnWv146E65KRx8wk4vmi5f/fs+d0du6uXY9amyEX9UMbyVbrjZnrQO4n0kSlSG2xm7OmVzXeo Z4YISyyy9spMoUY4BZ8YcnIDQsRvFLcRS9+gBuux7Vjrv1gyahi2kp8kbVGoLh02XJJArQ+1vRZX PgVfhpU1FZ442jWciDbVWnQk2dZqn1pL5W1Ha5dIFY6tpyt4nsF3xwbwO59tOiU4lpb6MSznVhGZ vlZI0x5UzHS5qohz7muq4DlFug/WlKG0abnR1zO1JkF7ZYhwCsFVwrxuZ1CGsdYMQbnJe8z5uU9I sZpmzmUb1/m0S1NqmgdNneDwofaU0QNbyEnTVhNfuD9DMIQq+wVLazbG1OLDr0P8L4q1OzltXiCV pYwxY16zKjcEcwWjsMqGMoxPxOkRKUeu6WDo9sBYO7P95A4kMPHHuDG+vMq3oMyo5JOIf6SEeB1i SUbTwtzG/E1ERafdzp5QrYyqSxnxSygXWMFF/8rnvvtcPtYjKKSXkvE6u1k5yj3X+Dp0HynTQvRR Ka8IfjnTtsPLsvSY4fhc1xK5R6M1Ky9sBS7S4euFPotzX6d+dp3vPpp9bjnhG8KaOrXbXvb+blB9 r7XhcLEBL+Pj+XStbeoTtEmoAEf644DPck5Yu/DOtV3HjVaswzKlDuMTH+Xw3W8MwpKN0spFzeYK HmPGZZ0Z6ZM/7iQny6U0oqdLE7hn2w2qPCkxiQM3nEwyNfxrW5kXbEdWLj/lwnGUcx21ngfyHvJW 4bEKiqNaoNiGZlmJvNnpu7cOuXfrj1v8iX6pumD7ZBqN80Cak8i9jMDG6b6/QjJUWSIElrMCbV+X 3j/p2yx5ukl30cg03j99cQFzkirTsL3S5l5TbFWPlIrXvgwWyR3wTV/s3IhqTsrcq6wV0jCvyPK+ mQnJQ+ltOYnsFzmgXgleHpa4JWCtibhSjUJasyY9S2LNXXNN7dMDr03zSVcVHrWcJV0kNF2gZVbg vjgxpHQs6daTcd+MincUPh9ZaIJlz70Ig55geeJrte0efnMt2b1bbzz0OcHaYy6z9sVZNjS6ddO3 t3lVpiNawQfTUbxNI5KXiNjMi/L0AQufM72+DfvhNcIJ7wy+O/C8qma8Jb0ijHI/FRx/MSSYfWBc dvxy2rEq3r10enZqUTuvw00qVNhJPyIeFup3fHCSv+K57EjXlkaw7KY4tRcP6UA6UR2JX0I82/1k tD8I5ZU5iL0RcQqCn6SMZ9bRCmBqh8EJFfJ7zyUEMuuUT6Vu9uFkK6uFs/edM6bZVt1u7GCdevK2 59bGl7Nlc/BI028EPOXbTV9rSj68oF7uyVt1GS+7zfrSredBGwdvmmQNJr4xV2+IGXa22paatVYz I00XzDQdVtbtzY+VeRYnS5fwWsSa64WLT3mIiYMWcaIwTa+JWaJeX+7mu40T0xS58waZFFqVG36x 2O/oRqK9NNX0o0cSO1Hnszc+O1zTk+vPC3/0mUwSrVN3aKDeoCQEYfGlk08Ynz6M6+3NHeEBptxf rDClsPRxkTpxTanJzwUGzZ/4h5RZSHs2t0Lkyq6+J16BavQ7WYQD6wX7sGONeG6/xVF6nrBjfjg9 9r+efx5OuoOqAOfxtE2lDMDGPXsGxXbhHluFZ7+m36hdBpmhudh+Wt5R9o6m2gIdoPrrG5338OSl Gdw/Njvd2kbVh/HmUSem1KVejSqIllPwGs/6e9utEnMPCnZ47gZTVoXyGYujVGo2UOrwm3XlrDQM 6prx1r8H35zxTsFQic+geGygCfx32EKDLzTNmli7fJh/hrPyXX0//Wq2h9t9Gml6rXjon2G2IUN2 YvcCU7H40L+GsL51d2gzk777NZrHg1NVEjj5XR0hp/CtZTIu5hs6EnRrMMlOfJCYn8DUXJ1QwIKT w1t95Ze2HjEWtWrxhH2zg1JfEkhzoGimYAbuXIYU3E0fLN6rsEa79BDTpLcONZBPJqtPZ2rx4Trw NngqpPYA9Mx6gUt8VJPuyXh5osGMCyZ9KLx5wrquqzNKM9aSEUZ/gf8ZjiEmcFcZO1fGWehz44Yh rn+PaB/hUo8cSKihT3Gz9PPrIf1O5I7mw9MRWAg4JdeEkVKYElF15UuHeshXvMlc2tKCSJQ0PdwP y/WzERwFzZCOFJgVyVUJbupjyqZlLKLpLeyUeaOIwxs76lBOaL4M+PLU6/t38Ha7ou1AunbituFZ 4ChSMqH+8LAqB5Pm5VJnBIdHFmmrxeBtNd9Jxgj4cqeONEzx+Y9PzGav3cJNFTi+FvOuhviB3wrp X64tQ6ufJ0/Kki2383MvcJHkTDFxs33gEi+wNytetw0oCwpd/UJGbe9LegHh9tnpTxdKuMDWMwog haUdtYGfkt9NhVd2ejbVJ2zTenreCCXg7C+yDtz26LefwcgM88Xai3vBJEyeR8erEYe9wtzgUHuQ TUqFEb2Zg67ZZii4nu7l7Yu37WwfI2h4br/k4DZgjdvp0ZvdUEMxRvSV+DBvFHG7FOogZB1XfYGW DpkLttD856g3dRhRt3fdiYjHbBhCltVCkrOm6f0Q8Vm2MQVUmdl8hzfRt7dtysIlvo+RZHIz6GRT tUgux+Y1p9n6XJRrwr7phibux9azTqkpzAV2N+8yv484Bb0mJtafmsuq/0oztt9AGjVxmrB74+ef PMic4qFw80OulTNMfcKujMprAafJ74YsbawVLnQWdCl+aoDpATXuKjkMVEzjlukPieHlFuEbI2bR GHB9x8Fd8fykE9JSzpt2pTQloY5cVjN8aPL4YGihNUOxlFUIngBhZFtFL5kwPkcRSzkWkBbCo03a pviJ9LhoYijExVTykZpVRhQNU/Ubq5Jxrc/Oyiq7iEff6fAScK291ri8+q50zvmspWf38/cdNOGW Pdrhcq456yXz5C68MK/+wU95DQ7ghCZGN9XjT2v7mnG1dUh74XRJhzEKRvcnC7HGvO5y5vHSgwwx 6SOTbK5ym45inJS9IwMpz+kupX9lWMiLOYBXF9a89+Gz9Tl1UU54ij/N3UO9e0ifxXLL0po7mbFS bnvyMg2+izlgrb9NrXUCh6yFl+LQmleF/NQ+rxX5tQ7uLM3HH3o/ZinWutjqtfJ8LyCYFrkjW5Kg xfxHo641VXcRPd6WwH24pM0dI1mTvMgsYnMiePbi3vsmc2B6fdeGJCran0GSGi0uM1r50vG/kKuk TLOEk84NkvFKcHhMmKm0MhducOXn0NXbp0OkGisThg8JzbpVoAYZfBhZ+cv7r/1v+b3lUCq1GsS8 MUSp/Ka3ghE/RU5Gl/oPKpIPR6asSmw+QhqKQGXfsZqvE/lqb5BERULlaS51lvZQbXdRotE6d+7v BiFD0F/etFP38mId5VKoM3yTmMQAysqtd9eGoG2bXPFTeuPxfkrtLoj/u2x51qGfMfJk1ShHczXi J+xhE4+Vc1KoY27rZQtoQtvM96qZh7ypCwHfiGeOyNz3IrAvEmeTWl2PdICnpaMYZuJ715wSHy3J M8+zOsOEwnDRTPoKldMnvYuH9XkPFd8tFOExVtqIt7Ci64ih4nzB+ceIQKLtZj2WH2NWFWiCX4iZ DWjrCy3WnspyEspkRuEwxbyhKZHQCnFSxtu+hPnLi62w3c45swf7KLSrfbdZ5xGya5czY8QvVB87 zDboLwUJZJzG0rh78TpqMpv1EzcbvOH7dHHyGu+sAVdPRUKQxcD7mvDkOkpPRa1b5/AjnhQ0+byS OABN2XkR9lAqLsD+sDpJx46yJX7anIW7Oo04f4FzNUnXrenc3pbgTJjaKB3mKqPRMkrFvu1eOGTC O9ujUznwmKjqZ/l3XhtbUTbb185TcXLripIjYd8DxJmvayeRvg/l+xOKNKEdFC1U+dp8CLaYfBv/ qW9/UOp5Qi6zpEZoKUEzA6P75YJBXFDdY/27LlU2ug8Kfetf9S3581omn7o0MEx1n+BaClKYFwrn Mu9ZSjonQBIDE9v8yJAKxrT2nbKdtCh+Jqh+pVWSyY59+cxvKBW5i75c1WO0XVUgyFpYuEBV8Hu/ qkC1hIMVPXqsaiPzvH/GdAkUa+S1bkCQk1XI2jhe72d5in3qjLdlutDBVo6kAjfpwhrI8CMHq0lT d+lC3rtEoFzGkIc0fY2DUCW0EFqtKpyvSnbVEkRe5jXnJZmRPhYyJpSv6mHaEuRkxPfecEaBe7F+ jTpDa1cS6JRSBv5qMaWG4VARVw7mGnvl7PB2FzWNGH3Zkd8dcFfMeD24T36VwD+TQSk+Ez09O6vb ZYnPqJAmHaq1TfiBNEnYHrlyU8BsW3/eNJ03ZqWqH00l/Xy8ZC6r2UdQ9Mk622pha5jxws3cX9Ts Z54S1fXX7fXlJVcLcJo3HbCtVoUQFFI8BXLYqzfviDZObUWHRCkKdR/ZpKB/ndAVR6Kezfe/lH5j LHV2dPBQdddiRKGJ/FuzinXBxO9lz9ZnRXGjWh6ytjPo3OzZRBjzhPrJYaXelx32k2RmCOcrwZ31 px3WPJP9UsFBElvAs7DHVoHAYtREvxSEzCj5iT5X9/sRIBOfcdCjiUpYvEklXk9E/Lb92v0KzZ5G WDxdOgona/YNe4nflXGyLbuBjWZhUhSOaLM6OyWFnpHgya1Csw66LRz1pAez2TOAX5f4t0qtPuxC f3c9rznktK58/uMpmj2IXrIugmC1UCo4S6c0KQrjXhhyNUKyESv2pyEhhegn1AuGkXrgYmWfqkhD UUUYrjvJTQEEE7xjOI0lr6eRRskjxBdCKhIhc3IxZoNpX/rEKtRFOGnLcIQvN0vxbNi2ElLNx+F/ zuVzJYNtfG6B9rGW3drV8fFY0sZNPISVb2d5kBMzQ9ScTadz7ugR7AP8LfbqkNXlDgsnNrEruWGr 5WUn/8ZHho1RNncLb7X2MNsT56myzVZ3nmtR8kgNCheCGYdrjauX/BqyqMKvprgc1DR2yfscVBLj vqXHr58WayogORyPpO25+DOJp4TEc06Ym7IRSx25CF40clFamL17AkNhT+db/ZFnw6H2lqEaf57K OIuUb9EujkhBC4VbeYhoKBXPvQjuT/oVZSunyWKyPl1PZMvJU0b49DXXKoOo8FyjZZfSh40VD5vY SdV5gx2KDVl2+dgux5F8HwkQ+/vaSluhqLjSMH/0476zsTDuIiRHIBTWjtCKOjMQt9kjR+7sPyYx P4RYjIPjz5kGqSgl1f7wwNUqu7n5ExoXyGlMIY12RhBmp+vecBmb4po7RBuuJ0sGuma3BhuFFTYO wn5vqfvDnZHTEkfsoCR8DOry7RDbBr9FZlCNBZVaw2fI7pfG73t8yZRORtdSVpcRU4q7lKbanP1O 5pkeSep1BxZ8Kbi19qFk0JTSZWiMzbBrIiTJo773LNGMNUXTNHngfanSO4JKCY+NXhRQl1tjb11Q badzMXvOclGNzbH9trlAxU+xpjTDrsqPJwFnMcMz8t47ynlPTg5PXu9sfjBUrxqtR9QCMrj1r4R6 hPaG0jJDxXAewAhmqLa8Ex+KbvnJoLfkNaALqaH4caHFi2VjfDQfoNr66YeEra1nl4DoKbbyRsEv 6OKh5fdMab8gCXShYq8edXS7EEsovnxy3ANd0yXqGORkIAsptVH2lRGY5eRUy6yXUsd0aRkSV8p1 WO758SuGkKdpIXBNrxpUh0h68kbVWzBwb8lrkLq6vvjYbU15QahciPADoyLrAXbjuUOCHyShkKO7 1Ozu23d1lCdYC237+92EgW3tn5QqhkO9PVMetXBsZ09z4hcTh+4X6VX4huop8KDjFeSqnHqqqTI2 qDgVbMmOhMXmZhGH6onNBQqa1LV55fQ0Em/EPiEk9mBIOlVK7qDUWZO6gHntPzi741g9Tnjtpb8x WdbwUs5W/psX2XLfY4GhsUM9UeIrZU/4UPLnI6iXuY7BHR2mfuPBg6cik4ftPMR17irtUaX1LxMq QS6iezSi4vpw0kovR7PohYcNJSN2jWmP0y16MTBGh7XmHpYKc+RpOBNbIqZjfvBj/GGE5jb5sAHG mef8ovLa26w7je04h88Jbtid4gSHlDf5FO5lHc5o/5j3/WF1u/xkL2EofVCvPq/heCahizlCA1TG c6c5dlmRMWWdBY+pPPW+YbFL1PPwDxwctaaPnVSgLfMapzXfLviAZQii3KK9yByTKcuQ1hOMaTrH nBbYLqAPEJC7vjBwId1naT5fIzHfrpZSsE/Uu+lYBipYnB3TtDodIII6focuZAIJ2MdLRzPdunrj vTc2S+uAxnpBekGSSDniSWMpVCXml8p40OxsFDO6ngcyOWNVLuVXs1ifhHeW9HEYcY5qlOovJX00 eNwV45VlR06U5X8Nza8wwi4bmnn4pnz7mT2xC2lZnE9G+JRhFeRnNyd30HY2DBV0txCRcCNuvOFM aUaRg3V6MSRKSPvYVzoqGPN0tLe8Hq+My6N5gAe8S6XJ4Lrvs22C0NptsrF34cxluNRZlkzBu7u2 +CqrLoQVaaXw3nCm23IzFtis+WCudtT5ewZ0cr5B5RYKSBIVR9U9SD16w55BPtn+BsrGzjkmu23y AzFmFIv14ynD/KBRq6SORusEVJ8mJUFqx0CSGPMi7A4WYFmnlg57WQQZXLm1hXBklWUJsr1aaFVW +Fnus4cd9wFSJ06GOWCLKs3no2rPi07+0xjdguc1UcSnELy8cIhngCYpZp+FEtifCxQaO2KwT/Du C93Bj8fXAr0sIjSmrAeWMNqIjyPgDes30U2paFzWR2uG0ZphSQp+UK05O1KTiZWVRqq8Y96dDNrJ 1g4W3X4ZM1Y8RuuKcCpT1jtXfJMJo4QMqkqikPhq6fzizh16MRDZc+6Ue8YNWlLlaaAseNI+diRw dperm9cpFizl4LPRxkCfUi09KakZJtGnVaVvW5uUYcJLHfONKMREYpgfqNpVHSjAz9ImA+JTnU+p 7nANPosT8z4VA+pH+Rhf7To5C9Sr4mPyenroRN/0QhiTO5f+lKmKlHPNyff1iHUcHtUAspRzwo/C 32dh8RTcoVRS3NlA1cvSQN/Xzk9V0NPZOJII8hWBQ4aBO03B4bPAj6+Xv86DTNAXUyKp4tBnwBV7 QxT95IT9GNoYXIGwKfRoRk/SfrFPhwmaD7gCyzoeRDN6aBinnIE5CzEfpvyQyicQoYkwvy2szz8a dRFkDBzy1r13QtcnGGeu0tKf/qHQvBmCcDUNOD7ZZdW/uHtzhRJBB/TFoorg+NhzMQyaz/sThMGn pF5rtVA9Rij4CVWGNfBqGc6oKT80uPBjVC4Hs8D5BC35GcHxPyZvmSVkl4GGUALpMzDx/E7feamU RXgXeQZEeifN9Vey1qOQbIIW4jFcxkDb0ecSWp51V/iO09/Sr2l/q+rHUhUc/swKk65AS5kFCpVd ygAZYSJB0m9QAXUwGlDkfjU4/tuHY22zcRDd2StGz15VoOCQiL4kQ6AtWh3RDBWaJi6C/wPnw1li xOOhVf4vZQzZNy3SVdpMfejrLZtPG/qolH47eqV4jI9XMOS0207dOmsyCa3n9LE3HiVObPuzIebW Txv0xw770aEez3DjBrmOqLjfN0JyjHzKzkBYRQN7i+H1zz9e4H/2ckWmVLz53Mr9Aj479MrmQrSc VwQvMom5uK6Fmwdh5nLL4BiPSFHqzP4hweSFRKNybrjqSmqUL6O9+h/fI6yV8SZVxHW8gCNOxM60 yuuz1cqC4NLFnvRb31pFwZ6mY03eUWN4UAm0K9hIHDnJbPVlBqSrc7ruqOZQRdTM3atjln1gsGs+ l2JwadVGyl70/ERYq3LDtbqQOh3fwC0nsNKIWw/S8jw4KYfip3poKp7Cs3RZ/gQ7EesfbtXMhUUR LGkRx2Ks699iVMY/PvgWY/QlOD4XGNDqg+t39Sxzl9HyXI4gR11bMpVQUExiYAhBcAvVBF1Sbe1t h+clKjfBL73B6/9g3Duj4Xq/tiNadFGDIBLdDMKoCRKdUaJEG9GZYJSooydEF73XECX6aKP3bvTe Re89+uDx+//fd73r+X16v9zrnLPO2fve17rO3vde69rmr3J+V530yyqqhbobSSmqQaBIppxs+vuk q3aqDTrGuUj18Xnq2TX4/mquaE4yNrCcKee3sqGNlKKCdXNG7TUOubqNPIdVqHpN421NVmTWubg0 td7IoQT1oxglUXaavpKSB4qqaTw0HZ8eCttfqPIIeZ1jiN7FRUX27hs4hHt38im+t++VjAPVKKaF lrnFcp1iWxU2XTpliW1YPZHQp9ertIZ0Jaqk+Pt2Md1DRFAcUJXxxC8LfQqTdo1ei72zciJ+T9A8 OpqoUHPEXusnEbnh2PAYKoDCSyW7GeZ6/WDJMm95XFYwVfxrkiR3rVFxFe1BgXW7oavVpR5C+C4y AGkiiBZXa8/gK7ffKqWdFO9N/Ssw5qVGxWpIOvWqpGKUR+nGuU2LKPCwr22q2jLR6QVBns0UolV3 Y9KJ9cfuyWb/eZnS9U80Xdn9yRytRaqFuo+LenOAXKulDz6vD18dehuA2SEZ85BPp1JwWvtlB+09 dNymJw02EbZfjEDzZKuKT9dJRth1KVA+xqDnaNwwnJsfPBdIHXCQUaNcdWdC5jcjr+NipSfmkuzk kkmk9z6JpE/bvv/mOejlR4e0RnPmy+vP8WFX/z31G6COGVkaYq/1KH5/YkxRAXPENHtr1PU9W74k Oe7lhd188ss58jkK/jbW1p82SqraEkE1HdmnbngHBx1K+lEh5C50TA6GnE0aSW5uyRFmpmx2vfcg wXcVVpbRBiVUni/goDC3lTBsw9tqjLopxMo3ebtn0zMhM4zuUvcGWns+w3QGW3YyvNctUL/imuwU ksQAyHHMoedP10pKsYIrRW6vhCRQNzVrc6tSD0Lefa/SKHX63iRVBsnmTb7/SqQjIuk2VCgbiDTK wFzkXTYlGPSYopu30LO/3V3k9WaP6QKjE9J1HQ1pkwU9/L6Y01Ldt8iV76Bkew8XT2Oyp3Jc6Df6 DdCiI2iadJAKA89V0ZdpVzE+bULl+8AypynXH1/MSpz6uQUz+uP8jWkCGYW0RfX5FByZQcJPDuS2 nk+6Ug7rX+mBZrn7uM1LhEF4sbVZ/ZTmJeyOOexJXG88sFKsgj3KD3dLSFehMibBQsXTFRGFsftr E/3HU0k5YvNGO7xctheufquYxfCydLr+HdvO1mVbI3xzdQkpLO0J5bgOFAcclpECMrSAjYEPijaZ BhJKJsRYrGFH33G0k2zock0u9VSfHFfLp1uZtBovubcVigHhlw1sSgywVu8pscxBDyr09AIBWk7v qNg+1wdweiDKc1mGGXNdWzkCPgenjnFjq376G2tB/cNPmG6BxSYh0Yss8dM579SekcvcBvEAlml1 XXsQQa+ObdkbT29xGg8lJ1ySVuTtvHFnrRlhsH2gqG+pkAMu6Z5WjO7VRyEFxtdD5rPZ8qM1e6d2 8LY2+OjJE5TCOkpo8MjHEg74dmpOUK9yYn76KHFkmqYSixxkXeyo4wr8uWxMfrrFTFvH2d6eWcPV LkXD0Hf0IUBOje/tfD1OinyRIHNtyxRlkfzbbXPKtr3HXW+oAK4t2LJserxO8eRmiypdPiTOvmp5 0ccGdGzTSCGawqaeMAdjb3tMo/1es9RXtneMOtHHlzC60WMWuZnIa+u3wwHjElGDcoCZgZDSzpmj H6+1PM/EHT+ewXrB9BVRhKlrrTPw3GLKG+0vvnw0HDoXufwfxNCZFaCvuZr2GFb3ctq59yqsn0jO 7Jqb3u7in3d49k7nMa1wGX/KlGn45KBbK8rLA3jnnbj827u10ejlXcXnBHb8Ku2XJdL6wTVkX1hW 7g+D4Oi51tzzlXQ0QpvqOgwssxK7nQ/XOZr21dxjgd9XaFb+7W87mdM4BrYqyqm/zpWjctdX7qRf qDiKuMnXUTwKh9J6n6pQxXMlBAxgbUvh+bS6MSlNUVlenmYq9S5tvoY493bUleYsO35LenZhQnsg nPJNOczyclmbRmcmmnNmh/fUALiBX63ZkJb4bcw2908mflLNuTR++k5kMF2TamtcBX+UFlsBPbSr yiOoUnS5wV/3flDq70yML09Cf1shm8Yw/1sC62SNNWce7qEp1VP7n4FEF/68HrLZRn4DuvKFuEPV buwip7DctfXJ/tpNvqOYh+7NzQwn3I0Ju1vvwLTxN0VDzbG4wVJ7qv6rj+XTTBsBXZY6Auvi3BDW DdMPOIuiGQHU5HyIqnrsTVCf9OYLgkWxvuwrl6f6lFH+p7+A8KNRKbR5EnbMEcapeIV0H6Y+UPiy DxPGfrmwjQvfIycQFL18ZI1vsHT96FWC3rDh0S9hgpUNXHnGUU9keK2TyBgVau9t0NUXyg3BIdya l+kKhfRz2JZVwedjO2RVbA9dTqbZqiNJmbQhFwMequ0LsAhOCrvUes11QH2qt0MQuqbypfH8ShDd KQeKIL2B8gMyAlklFibiqnjrhgN0r7DNs5cF2MqKQA3PJya6Rft4NQKS+Ppjjc9hdBbtHqfdolCp w1cyMaQcdcysW00gYQYDhQRC3U6nlMhwRx9w1/v2seOz3d7pBmXRUc6+yUinBlP5qGzvIDFOXea8 BtPWq6ZtHbtybMhhTSDBJl67yYKYkr5Rq+HmQrt6KKDGfloM1jztC5xdaBcBAy4P/3iMkupEe2uX a9y+iY5K7+8UsjWFjgy6bwnaUndX67vSeUkgja7n5y575aj60+F09YOUtw1wOpsYABy3+NnkjytJ BDa/jZbSsUrcnvtbbPAnZNZSLsVeeXRtNi5/eSbloWecr4RW9crsPofwqFEn5EYdsS5F0OTsr3D7 fQZwOXBK1TsmyuXOiFBsX1uyOZQfdZb3M1evYx44VYSy/ugWvw9o0OpdQv8dX1HYKkQEdCOer34j 9AvJggera8R+UGtzOM8YrYgibXzecrhf1z13sD3mErGbQyOBM77z8geO3+UQJVz65vwQt/G4lHvv /l9ihL+AN1H/zI38MyPy7F9iBFlLmLmSpaPTP3IEsAJAATT+sC73KQO4FYD48kqq2I4EXwkR/5Y3 KP0aTBLBfvRoj/G/Kvj/a9HBzu4/lopnDJUgH5/jHo3x5eQHfxOPDFJ6ES3yQJ8N6YRa1pSWFUK6 6PcgsrvYOVj98CyVPWtICg6zhUswTnc7frtubswyI6BdIhZXmozlGAPUJWBhIWWotWnWIUP9NuG8 L9Nz5pDhL2ugh+N1Y3P6kEh1dU7x9Cd1B46UsrR6TsW4SVk7WlNYlB1Vk+u87YrPmE7h1FTRRUrC 9cwoEnoRE8fQZHdcIDJbxu9ddLIBDpVLTAPamdz/ajM1ub9tcHt3r7XoG2xarXq8ddvu+Y4f5vb2 1PPQSWgNJMDOLXbqQGxamtsRIbYoK3PI02O0F94g3by0O3VTdesXAZiab7/ow5gopYd2RtDBHXeu RBcZyE+szSUlLUI3jgq9XUMNJ/grGnJswc9irnmYr73Qz72Agk8cCyeK1lDr+Y4CnAUoNovn/U76 qPGp+oyxa2W8X021u7v3+0NPGcasDP54JNTf/XTZ+9NttWBs5+DFxZ9Gus8p8d75ze7fZIzFkO/J 1hNlpM7u8NBnv09jtyedVU60bPRqDXpp9struM26KiaTIUgT2wHr/mKa/uLks6UNrcLtO8YNrdIx 65/hcWWQyZHJaxXjxeeuq6Jhv8dyimM+bA4piWsbqA4WiMZfxrIO3bPyp98XB99RZVToFpFrHuha qtIOfVw8T9E24PcuWRnIh1q5cSnoDioBxO5bJ0wF+QloHdmxI0RSfbvnucJqacNmOg/HllgGP6Jx NRsN6w2QEEtwTGRUlRKkjMWqM14cMz5FC/YldyxeyD+syFycHiI4jVinMN5WWr+gpkOmNoYi0exm ZsA5vrL1YyXYNhuA7arueV8HFZjbhoOKrzyevHbagZUassgK8Dl1TurrjA/2nOXjefgiDnt6BdAS P/adpWtqPe4x7Fj8HeT6wUcnrJsqhR6yyASYmTepNkU1mcw6SPf06HFTmaIOO6fJ+BDc2ySmqBXi WfUtnWaWPy3xBrhIwmcI6efTfDqKkCxJ2cnyRkJIOnt7PP/3db5qUJwxWEbERoTzwadEgimqygHm loCYvvTqR1JDTgo+g3MeoiXUNkZJUyIb5HRcTpxrNf2BFxPD8ZxMr6xp8lvjS60Q60XfnK9ycCC2 oNF4T/PbeG5siDsFzG2pxdpHszX+G+vsSeODlbfjYcCcgWk+eZ30zaEVq6740OJKlkab23joHGJd /gEtfgR33iyC5eilTfATGl2wyxskBdIURWo8023Is74/PTr1HtJE+QBalgrsi5MJChfH4KYqbXrF Kw35l4Bme8gUA1aG/ZDG2qK7geePkHuHuUD6h3D5pn4ACRamT6K+OffCCSCCuJbgqofdpJKYoDRJ IeKsAOD8iTUpJB1vJN704XUHlu9AIalpPtgfn7UfmNMO189tkp4+OAVKTZdbP4GIv7ZXdSF+wCwR +ZySbzQD2D7tAAwDGmNemM09QYLCRuKFvocVrUe8hikEG6GCvh1yH/wwQl0mVK4XPDjdS+uIn1WA iajqEDuiwDHTDqt0s9ESjd7gKRDyr5Ip6vc3j5MtENJTTApyR/bgNA9atj4MQHpa/UlHzwKQCHYb jn8er6rBtkNNUNDv60K2NBEmqGHz2ZN/WLmX2B5/IgK7SkWEOYR6EEMEuz//E6v3UoQxSpMQ0vQC UG15ePMaVuuQhoTp6zSv+2PDRJBfgabf13HvAH4E06Nl8pC2BxCiW5WGyzlGMmDBz2q6FMk2S65L eCak9fCBKBrcmPtijcJftyXU8uNXuP87zR6VvJ0cfkivhRj/HRY0tYPZOfD8Z+WG28D8I4cIfHkp ug/f37eT+opmr79/MklcjCCOYl922wFrOfrZSN9emAfr4KQxHN6IL10QaLDEsl5S/o6mskX2vixW 0X+00jkajOpnYiXW/lyd2er5FEtjKc20lOAOMbLj/aVnRFk/VjLgtwkVPkhlVAr0Xvu+VGJ8z9aB tYXJ2lytp0b6DvZ3rFob+4m6KqzPDqP7BcGwfnz95pfR6GdYFWh8ngBtI4GhsgtlAbHZCFiS292f yDSm6oDURN6vjaplFjvHXr8LJzU9tBj345JleuyP/lVjyObl6OlwHj0CUf13ItLG3Mn4v4rD/3Px DwQLOmDHFWHSpk3tmoaqj/W4vCSB32KPNR8zSSkbYPdabLAjHu1Px4PjMfdKl+LNwmx6k4pFbIm/ uO5qFE5cM1cdiTNmDbt3A1hADHMLLt1I+4ZcjOBq05sz80na2Unofdsbffos5rbnusNMKqXEpnTY Tv6l76gsus95AJenOohaPSWoCGFlWePq21qH1FvvpcWLuVibtIPPIAdRsbwpa4ysOAbTcOJi4Vvg hTo8ecVpQL6NSRS89VmGXxxps95kT//rSR6e3up5Mt/ztvueJKz+p1HYQb+iIdvusqbpTbnCv2dD je2GJx2svFIDVBaxAtBg8+FDYlH6IQ5IwXTpZU0eQN5riKODcyXKAZA8UT17LgkPylT2KrSZollS 22jmtqNOj+H62MEHuf0x9fw6I/v6bfSrV3Np71LXOS2+LQWnxu+K+Ov7z/+K1fbloLHCiHoUjbfc Y+flL5nEclacs5zYAwhSrTJnwNXtm3mqR1AWArcA9Ux6MlwiVKCdT9yxtK5MgO3bK9cD14Ls7j3x encx2Yq+0ZkhDb3yz95ajODz+2ydi+XBfmOTvWzKBES3pq/p1W3TYtDU0VO3oeJmk6MGLCR/fV/W lK54h0j5LvWrcfaMygTf6Eu6JJqZIyYkHKfQ2CPtQ5bcxIdNcMPAMDKxTaE4K9dJLOMaQ3ZBGVpl Wdu6Ub5O/Gme1oXnBriGk5CmxqtXu1CyyQ6zgZiP8MOVvT7zmBE5RIQjzERYta24HtMvybe4epfO PfVB8PorBHq3OpCfyWYMTs/n+uUxt5XphGgKVxNTOVVkyZ9xCuyIJawxAkTc9jmdjIfLVMOMhG1r zQokE5TPbtNHecmJltBNie9mhrFuDQK9S8esKkZ0fz3+HsY2LLtYtuapMNFaffyG2PJllH9Re24Y K4p+XssDA2Ap+pe1o4y5iIxQikEY9VjAhJu2wShIxj3KlzixxeUnzen6x0xpKc4thgoFebKkIMnX cAJLwCt1X+Ia3JUgl6uJFMNnIcsnZvaHjNhFWXSjCuoqSWsh8pu6hZ8SumTOw3AD8P0cKK69hEni sl8dPBsga9VlecYX9fpFiH0mM30Z6VT6msXtdcyA0Hc5eda3CYSET4wp1Tu/6o+/JxFeGJBnV/jQ k8tCHAGJ64757Zd+YOdcCKtlOyZxbtqIptESDxqAIr6LdH1rqCe03YxkD0ijpK95K8tllZgDS10h CsZL6E4wUlYQcE3s5pA7pgVf6r7+vgAqufAlcSher5ZVOW1k0eWPEBoHNcLiXjSBb5uKMmKL2hks HxnXtYf//vPYtINk62cylhpBDpWRFLuIFJ0JBaWahiRdn56AnpRcLwJ6quRzUJl5amlHw8qmVWBs NRSUCZTqPags+Oi3uExLnBMbc4ZnOOJ8GRbM9r3oY6zZ9JVaWwRUX/f2xWIlGUwqOk6OZeur0JXS o5aUO4PIr73E6NLa31odAvaThH7r6xOlxZ8doWo/B36KyjzHCfDVm2gRMP2Bu7F+Ho9+Rhv42TMp yR2+0i9w+ME5XiyZBzWV2MMJgQ3GwH4SDPw0elnGaes444llTpihwsSUbPsttlC7pO4JvnKg93vP RnJ2lsTPbOrFtrH6oDhGJoEoKcENBcFqqqDIy5jAQ0MxNu3+plRZaNbRa1wMjSevpxabzi77sWwO doHkffeojoHwFPf2nV3QaTofg+Ceea9oazHONdBSfk25GKtdXGpbZWH9gZmhritITeo7BcG4/Ddk uHl8Odk0WWRDfVCA28ceVncyF05K/KupS6hBwD2BZT/WsfQ3Hk4Nrg46ceQyoTPuAdvcCohm7tfy n/KpKuBVRf/0gTOPnNdUVTHleqqsab3AnqvcbXgxfQQflsbgswXSVQWuFOq5CdzAr576uaH1dNbe b2ic5PzeF05RHVrsj7ilO/+SsyOj90HDEFPn5TaNy3ECmUGrLdemV+d/0XlnizfwYYupo/R33Zr3 rdKM7oq1zrhsDRO76Lvjz4w1sRIMNGTpFXUW+gRzmJoBK42OWgUv4FnYiVHwNxEib/9gV9oWNN4v H4dmkrZZJrHspHLfjhckx7q9TruiTtdA3+0aogn+dzXxC6CsoXooo1WP/1VNnMzhTpa2Fnb/VJOc aDVVP17S7qUrCuULQqEjGXnj4GgxoFU/+tEnyFNMoGWh09Ji+VNf2w7pm+G/B9f3CxK1r+imBLc0 PmtwJa0K65kyM2s0xH8MNzyfO6L6pfyUNKEWae2f00OQ3asfzqGNG3V1EYmjj9XDmHVlfa5v220n 3necUvUJZ/jCa3xJWlGbNM8SfxcrmvmvhKRjbHzdh+QJ+ST5HF6lqbSzg2HSMb9rhEgXFP09vpIy 95eStJLlyGW9v0eJsX1Xfg7/Ht4tHE7dL05YcBiXf0xfzM2lUZUfmlag2VHDysvKLWJPKW1U9mZm 5NfwfXmVKNMHNC4EPNBLXtzBk0uKzgYG9RgIQ66j+imh4ArdiHqsVb6rWz9LjNA//wLSoa1b4uoB SAy8/w6A//dMYmZn+sEYZu7kZP4PjlVavbZzvKSN1FsSpG9TTuRfVj1C+mkGMqhjypJgeK5ZaH+L /xod+iJjXHVLQELL6stL7KoYgkw/qs8bAw1uEWs7G/mAYTub5IaSyemLR0uwJm9dsRPJ6mLZbo2S SR02dWxj5p73bE8zX1A+pTCRJIl9vGmZZR6m1glu7Krnjn6VE1Wwnj/+ESIEr4h2VkuxMCVnPLsM MKvomnHxcSUekHw3l5jZSPL14HGAWop28S1eAykadEL9pxPkbzQihk04isUjkUQoLn8eLM1R4eaL cmsBd3sYNbfHzTbRGPReA8eymnkLlL37uQz2cM6bL9bAHHEZiu8/U/BLiowxPw0hx5Z8MijTRmJP s2OQon7PmWvkPVVGjpjb1Hifze00tqPdkm4Avb0tohNnGf2FmUqOSBvZvym7UoksT9U+i5WEYlkE xwn99DL6xCegMMp0rmQwFp88MJOEcGduA9s6tU6YYS3UpGVawH6yeskR0XktiXh7NqSu4VZb+CRa gxy0Tia5Sz+ioLauOakLKMNTOB85QoUbulwDMfpOxePD+nPkj3v33c/7M9xGweuiOXeky830kEk9 9mvPuGG5LAlarhu36lVOuYW/c9T0nV4j74ULRUO+sax6SkmEte/GJHfUaRhbFFaJ0yPdEmfCgLJQ 7kCN7hPPJ7rh3XQeo/8+vpanJSajSB89ynn2+D9UcXRyg5k7/sMVZxtzWyduUzNHx/00m5isLtqA 5k1tHa00u+RoHM8Zu4M9WLRoRVJxmgJSRT2fAj/MjBLQsadS3msnQfQE8y/Bb15R+JBmefhtD2ps /nzsYmJraclJdEH5qKayrlTUZ0xiK+NegXFUAgat7UcrZ+AxTBnba2+fp6f/vatEVx3WvJ/m60EO Q7UD7uHrQDEJWIP7RfP9uXdd/d0wnXRz34s7O8TNtuNdAtqsuj7pJn59sbjYrRJcx6Ic8ctd6lrb lfpK9SS6pJooPtx6XVXWcz7ghpQlB1I+tSVEx1dBFW7d9ONUy7OqrFJctHXF5TxQAHpBwzAwqqPq tXTT3wQ3vqRq7nUY4DJtNE6/b3ecv/nkuk4r/sYCYaTqVrFIHxc9dNb3xHMTPB75V+8uddP5osQS RmXX8ELZCWljOfM+ObAUnWv5LgKOJCoS5jDkb56BL7npBCHPxrW+mILyteD+XmusrutY8T6rwz5t rGJTynPKf6YH5588H/ph2KPf6Dh705Vq+9Lnlu+E4ommS74Q2+gO30BqwbsCFmhLnDVLqyILhHuW bEbRnyu+RLrh5ZUilv77NqIgHW7T/MiLhHL9ftyeWqVhdQWwTFrzZAKoBWiwjaQ2XJuq+JDob5uV MNa18imQbrN0y2oETy3W91oCsnwVWCwFXFrB6hpddh6aFNh2pt+N9Og9TREE1WcAOI2baNMESlvL 9zUh8yCvmuanLJY7b7rUE1+Zg5pSATMBPjawx2q5BnQYXhkUeSFK3GwfwZutpGFV1qLj4pdd7lGM 1qtgxAdjGU4fs/Q8v9h1w5HxxeIftVKOg0Q1mY1MRJdbVxas74wJcuBvQF9OEEnmHk1n6emJbwcR 2xv4xv7qRyiSVMdXe7la4TeYm88DYH9sY/zfxWmcdhcfFhktJ/VnYjuRZgwKLkY3VTnSLQnTud8O /eq6M3vnE/r0ggB611slONLzczu5hPrlRoaZR6IP50InWsOWUSlIBHIX2yP99ICLmmUJyq3p7T3z Qd1yibnazlzJx/8NW06vs52r3eNRAyXf8noGsJB2pnbh3hUHZ/Uuk5j1S0Lg/j7zh9kZyw+2Q3tF HOS6sxMK2ZV5Yz/nw7d12dt6TmybwIvDObepsuauxbISbcP4Yp8sN5MQ84tny0bswcD9PZD67Jyq Wm1aRNevY51nerNLlr8r2zOyym9YV+032z4MNsW8F7h2Fap0ybMrqT+K/wNshfhWY9nl61eylMfh awM+BcNlTuKe1Ph+pyMt0+9SZzrkMa9NJIl0TPqZEx0fUvfFToFl9X3rB7dtlXe3k+oEMeORFeNt ShO2gPXcN7zxRoBWHd8yLFO8LnVWhQRbQGPz3bHtrP+DB7xFsgYWOHg9CxhVrFljsq3YwRVdKt1C yTz/NWidLx7fzYcD1en5NRWFBYyr1Bz/4QE246MhmTPHGT8EVvEqELmBgf0U/1j4f5sOJp/4Wu0k 4EUCzX+VXNCm61uBBcUbJEtlEQZv7gI4Qkp2gBCoenPVeBdAYA1Y9frjkI/c86fCUjeiSkVimIEc Nv7tWIHBdHiBeMQas6/tE1U2eZM+TYMRCUY8rQa+jZr/nz/EArqNxUaYQ+nKsI5muKUt55wlP98f vI+ioOJu1fItxoLgIclgLNOKqb9xYDnV4c14ohcqkVf2douEVDjkhKzPlHgTjXjXwwkebnI9L9KO NBI0P1kmvRpuyeOu4lFQ9tpRv+H7GNEKmuNO0DoSVLEzv2W1pLduX/5tpTfE6XHsplqL7TB/frvQ VjZzLWiL1p18piwlibmL696VWv42vM5Z5k2utvAQbSikfV9WgzWdgNou0dDNDEdfQXZRMeT1iL+8 XK1rwP0fBBsFkY6v4Jt+9S0AfvkaJOXPJDGmoG+QF9Xi2cemito8KdF8s8jyQbwpxo/GERuvjCLa GPzF+gh8xa7xz3+zVzLvdwHSmc/lVV9hytB4E7F1XBv9jDxi2v6x5axUWbrs5P42F8OvDWUH8GsK NmtlEHpRrARw2eJFfru4XXU3rsXZ7IA2mXvW8U2qLd8mmAdIjQTMqFEIfOK2NKKNnOt/OdP6ppvo lS3ggonbjUJNB96fMjXyR59BqMr0UJH0vJEavdLJUiQp23mBswQZw9yk8AqtmScfF87MFbpYpLs+ 2eJcC+u287JztvPq1a53M0VvXDfdpAZccuwffYVSMR5GbZKwaM82vij1BPX/iLNHXdkE1q37/236 3Ix+Pu+QHg9WKawL5lav1BxbL+AeqdKcMbEBjwMnq6WXKUGLX/vWRRM4vXyKURPeXxdRlDwTDZpn A0ukSrFqc+Lwpm90vpDEnFzbJ7bGBVaGlUmFeV+kjrjJJpmLFHRiEKzGyrkKdc+t+Wh0f/mQ++2k LQ8RjZ2+0RI2zMxJGe18PAjmzzvJI7YOmcOxLvgEFpnbkqSMwSDBZ9DUDzss098zF8Y5g3wAKqlL EWsS8J/ph4pKiB74KdzPjUfOVCga2eyKUmZZvVJRv9CZy7d3WeyfVYl9yS6jpx8Sy6PMunfm4tvr L3ChX4GXy+B2xYVyCmsJEWRw6S9NClpyWEZWO2OuKjz33ysiGlOadxNY+rveh+/qbD1X31qtih94 0iNNITqxUHLwOJRrOg560rETaF2kvmlgTOcjGD+35e+ufGiDLqtGOu9JfRxqdnOcKudXuymClmLQ /E875xnV9NnG4RADQgJSZhiykSV7FCFUAyigYYQwFIQEkGVlL6sEQSyrKhIiASwgU1CrhIAilRHZ M2JkgyCyZCQyWpCC0gD1PSGt73lPP7//68P94Tnnd315/s+H+3nOXXaOO8V2COwJ8my8CdIGap+C cbS+D3s4eF5N6BEp2bFcwBUh+eDcoUslvM1tDb7Em1JUMb1LRyRtUhPapZ1N+Y456upFHaR5rp3J Loy0D8sXEgylFi379bgjphLyifWoSw5i6eppiiNEHbTKyxQLKnsSiIHnEFzWWBY2tazGR7Sv9+BD eKryk463CzWOxGRNxRJOXY627fCKiiF2FKkJVdqPSuO2UewStJjEcRmxJdknPl7OHQ/WRUmQ4pR8 5dtxCDVzsSKcVG2kVdh3s1Ze8Mueub3NcvMjl5XxCz9W03v5OHXL1QzGVC3fk7Dl3S3cY6pZgqb6 EJrQW++rJX0A/d62Sk+jVxwNbXSfirFIxWjsfhqIZulsDDOGVeFys3Ozz7fERMRGTCfzVJSHV9jR YiO20fbfXsoOWSdwnlFxL0s8pC3M5SQ7BfYIgFNCjBGHaupKpkhH4QNTVMJPZ1UCu60ZUPDe4IqV VtDTd7WIXu/rSOXZxhm8t/MDe6U4D127vIPou555hPyHMGIcOA7fO/PirnnnkbkFhJvWF6zrrzbF /MU7s6PCDcUpEcftHLs1dyCu/H4H3qBdCuC5oFML4NnHAHYX9DQ2ftzOotw1GTVJReDMXvQnKULJ aDLaJl2HCCVCNfgHIAOHaSJuGm6lI2VskU/YI8flNGD5yoe3V7epVvjBiozOuiA5MN+ZClpw0LMj o80VvhmAFHGewhHSZNOv1ZwJeyL1hwftoPqGRwOgDlBHehSD2SWWwrEJZNBOGZ7/EfMR1Jjs+w78 kX2XFq5kgbfQmTv7Nw3L5dmuOHQJvu3HcYE2TZRjUYVeRa1TZI0D1UP4K1YcDvRNjwZ4HZyRnIvZ hZH8Ccig3XpkPhez9rr/4huFF/0bs7fWKo+h197X1Y3V1NUUnz7rspCa5y8qUFQqdu9Nv3dBcLQ3 4+9XfPqIYpXGreBIv/09G6aal76fZ2Lfz86XMszG7v+Gvi0NKHMVw/B/8/BkcwLFiR3OPdaAO3/f w1or4CRttSfYJB3hqrL6aUodusmWqgGtsV9Fjesnt1fI2IKPbiB8xH8vIAkr3Jex76u3/A6qMjEL zbLse8YrN0F7JmpGMDZJvdEqbTpxd8iRPtxASvDi7ZAkfKcaeUVeNfLMKrAj5zddbeTtcUqWlJI8 1uJy3r7tYxu7fWwH9a4Haww4YGChpaESlw+H3UkKFPhJve36MnWlOBmGeOaf7ls4QeEfJVD6tTQU 9nUYuKe3hBL73oBjYIggnzZIRUewD1cd30VCrqCxckhAkYXBbzL/OXnsntJMKw/KZKV5GZq5nRDn hU33WzYGVgUND/96dUk+2SSiL/68AtKsSz+qilTv+mZoNWCRhq/PM9Lmi7MOr3z4nPwOHDGVaVT2 R150GlA8zn9z8ExAAXROr6ZyqQWNLRWwcKeCUZyo1psgZZCyJYyj8Bv9tclkHhGSqwj/GL2HL22Q nLLL4ue3n9hMQx5fcmvVQfBrevZasplKZpIF3Czi3qvcEpFMkO2VOZsIPJF/sKonpNBWcH38ef/x fvyoPUehOYezvyaJ8igd2GbNOY+WeHFMZzi1oav+R3WIPiSqk9xVf1LLt7wbfdVPOOh7Hk+7bCyi WcBfM2vhitlGzcXllou51rmUQqESgRK8OFcPV09mBDdSEelDH4gxHI4zXHJFS+BOsPVw7RLINyqL VGTs3jkjxu4Nd+wSRM7guPyaJNIfdAnnoTqTbGwpFfb3keAm33smBtVH2/jVTpy+aA8RAis+9Nli x4SvHsoQ+YLiuJvHF4LlEpLGG8xh+esqSJEdBtbFrODumacBcU8yXQFxbAyybYBnr9YvjhcMqpsr h8wWWRT0zDfiIZoamqXFHaKdkM7rUK5p9um0CO4MaMZp+gC52vlF9eLJdIlXWCHG6g5mAjcUNDUo erzT4d4ngSsP7ihrlsoJcE7HoUBFFh2ncB3uaNXKoVuRZegDUGyZuzRGGjPomKKxi7HPNexVBl4z tCc4Deyiu7nuBfZ14A6xb0DPuSavh3Zdw2Y7pcJrH3iDJ+dbQbHYPMbOo5JQkyGt0AQXWlKtwjWV NUYyHANnJOdq7GLssy+KjYGXIj08tzSa51gu9KHOrdqmtTH6Z+5ftKhN2NClJYycS2zTR5eSHIMM o42qRqlbhmJZwbrdh9dnue7CwYmJvn2uF+5O3Qpc2oi/MLOp/AN67vsOibMZQ+4/WQZ6h9+r1Soo lmkXrKaZ1I6iRP2N1vJCoRnZvO+q7zs/X2muXoJY+mcc0JRwMySHxcwCXsvgCzu0JD6u4KvKXKjQ 252Q4SPsqr+gJyyVmq/lCGdqJWS7JFfUzB+2Vzh+OjLKQYrPan6kWy0igFqM98l8hqk9MMsr+m2Z h/VIaUv2xvUcc8mQOR9DXI/F55r1IuH1l1o4P/fHOV6yg4TqpRbz105O9OYllxspM8dMvL/NxqTH voIWBC4bmWFu1IpEvVQL3HylvxwMWVzQbkajjhAURL3mMvah7kUCChvfExB8Zvo3AvbP3Ly0Uhl1 Li1KXLkp3XwsumAOHzxln3P0XM27+/1BWzzFuNAPNx/g89rNQgiBWmtjQXTKScdmK7+ntSmj0XhR O3kn3BsyceviiyDhrZmhqvnPTh952g/8Rc4HKHJ11W7VL5lYIYXYEHca2up6nH+dJ56i8IOL2Vpv s5d0tkl3uybxyhapvS++AlEQMPrk3vMFscGzoTp2yQmPBITE4/NLziHkPr0acPxjaET6U5m76CcD 29kpGOlm2R18oriN/68fGiREJV7PdZNeOV3+eXE8a7Ut/oPp+nCR1+r59F+M+pMOTPeXjFcuhtWt z2ztbX6IboQk6gMAAD3A7gBQv/MBF0K3m2PlZaWtXbZKCDUVSufLcgftHh0kyqILQbFp60RUOoB5 gl8/QaKIlROktrbOjtVORMfp7soJIACJYAOqAb42ZkqeZSTVPw+dAu+MC90enigCmKmsOQaAU9lY K6tn7/APZg+V47+OAmGWiarV7oSzVlbZ3rEZzDJ2zq8N0fg3nr0vYpg9qUpffx/DbJLNIe8ks1ZW 096XMsymSaW/v5v5N4a9l8TMBoT6366MmQXkgMadQNbKKth7EcsssND4yrUss2Z5YjeWtbJq9nbo mTUEva/065k1AtpNO7GslVWzt3/NrBn79p+72cyWMmDbTiprZbXsbX0yW8AG/9wIZbbUK++mslZW y94zhtmy/xTTicMcbfO6cyeKtSIR7DvjVCEMMCAAwOsU4P/f//j9CXer3OgAAAAAAAAAAAAAAAAA AAAAAAAAAAAAAAAAAAAAAA== ------=_NextPart_01DC33A4.7F400F30 Content-Location: file:///C:/2669C751/2091_arquivos/filelist.xml Content-Transfer-Encoding: quoted-printable Content-Type: text/xml; charset="utf-8" ------=_NextPart_01DC33A4.7F400F30--