Avaliação do uso de modelos de aprendizado de máquina estatístico para previsão de diagnóstico para doenças infecciosas
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2022
Autores
Fragoso, R. A.
Orientador
Bianchi, Reinaldo Augusto da Costa
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
FRAGOSO, R. A. Avaliação do uso de modelos de aprendizado de máquina estatístico para previsão de diagnóstico para doenças infecciosas. 2022. 85 p. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131423.
Texto completo (DOI)
Palavras-chave
aprendizado de máquina,classificação binária,COVID19
Resumo
Nos últimos anos o mundo se deparou com a pandemia do COVID-19 e consequentemente
com o avanço de tecnologias e campos de estudo em relação a doenças infecciosas. Com
isso, a área de Inteligência Artificial, especificamente dentro da medicina, ganhou mais visibilidade
e trouxe avanços e novos estudos, como sobre classificação de pacientes, a partir dos
seus dados e exames clínicos, estarem potencialmente infectados pela doença. Isso pode ser
explorada para melhorar as tomadas de decisões médicas, principalmente em situações em que
os exames específicos para a doença não estejam disponíveis. Neste trabalho, é proposto o desenvolvimento
de uma solução de Aprendizado de Máquina que visa realizar essa classificação
entre paciente infectados e não infectados. Para isso, foram utilizados para treino e avaliação
os dados disponibilizados por instituições de saúde em parceria com a (FAPESP, 2020). O processo
de modelagem estatística passa por todas etapas do seu desenvolvimento, tendo o foco na
métrica de sensibilidade, dando maior importância nos resultados dos exames para as pessoas
que realmente estão infectadas. Os resultados obtidos mostraram que esse campo de estudo tem
um potencial promissor e que com a presença de um exame de hemograma completo e outros
exames complementares é possível alcançar até 80% de sensibilidade, indicando que a cada
100 pacientes realmente infectados, 80 deles seriam diagnosticados como positivos. Com isto,
a medicina pode se beneficiar dessas metodologias para auxiliar no combate em situações de
surtos, epidemias ou até outras pandemias