Trabalhos de Conclusão de Curso

URI Permanente para esta coleção

https://repositorio.fei.edu.br/handle/FEI/3176

Navegar

Navegando Trabalhos de Conclusão de Curso por Assunto "Agentes inteligentes"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Trabalho de Conclusão de Curso
    DR. ALEX:
    (2022-06-13) ANDY SILVA BARBOSA ; RAFAEL ZACARIAS PALIERINI; RUBENS DE ARAUJO R MENDES ; VITOR ACOSTA DA ROSA
    O problema de quedas em hospitais sempre foi uma preocupação recorrente, sendo a queda responsável por uma parcela significante de internações. Paralelamente, o processamento de linguagem natural (NLP) tem-se desenvolvido significantemente na década recente, permitindo o surgimentos de agentes inteligentes capazes de reproduzir diálogos humanos. Como consequência do crescimento de pacientes buscando informações médicas em redes sociais, que não possuem necessariamente origem de agentes da saúde, este trabalho propôs implementar uma metodologia para a construção de um agente interativo-virtual inteligente, batizado neste trabalho de Dr. Alex, para previsão de risco de queda de pacientes e auxilia-los em ambientes médico-hospitalar. O agente foi composto por três módulos. No primeiro módulo, são utilizados algoritmos de detecção de pose e comparados como desempenham na tarefa de prevenção de queda através de informações de uma câmera. Os algoritmos multilayer perceptron (MLP), máquina de vetores de suporte (SVM) e Extreme Gradient Boosting (XGBoost) foram utilizados para classificar os conteúdos de duas bases de dados para estimar uma probabilidade de queda sobre as informações clínicas e não-clínicas no segundo módulo. O terceiro módulo utilizou NLP com a rede BERT, que foi treinada com uma base de diálogos médicos, para compreender falas do paciente e gerar diálogos de recomendações sobre os seus cuidados. A metodologia combina esses três módulos para formar o agente inteligente Dr.Alex. Os resultados para as informações visuais mostraram que a previsibilidade de risco de queda pode ser melhorada em até 6.44% em casos onde o paciente sentando, observado por um ângulo frontal, e suas informações clínicas e não clínicas estão com probabilidade alta desse risco, na faixa de até 100%. O algoritmo XGBoost obteve 82,60% de acurácia para a base de pacientes com diabetes e se destacou obtendo 85,86% na base de prevenção de risco de queda para idosos, o que demonstra que é possível fornecer uma boa estimativa do risco de queda de um paciente através do aprendizado de máquina. Da mesma forma, o modelo desenvolvido para NLP Hospitalar, quando refinado em bases de diálogos médicos, obteve a perplexidade de 12.011 e mostrou-se capaz de fazer recomendações médicas gerais e responder perguntas e indicações dos pacientes hospitalizados