Sistema de predição de risco de quedas para área hospitalar utilizando machine learning

Pereira, Isaías Cabral; Batista, Jonathan Fellipe Francisco; Sonoda, Matheus Salgueiro; Nacimento, Monica Marques; Braga, Vinícius Silva

Sistema de predição de risco de quedas para área hospitalar utilizando machine learning

dc.contributor.advisor	Tonidandel, Flavio	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/5331230734386657	pt_BR
dc.contributor.advisorOrcid	orcid.org/0000-0003-0345-668X	pt_BR
dc.contributor.author	Pereira, Isaías Cabral
dc.contributor.author	Batista, Jonathan Fellipe Francisco
dc.contributor.author	Sonoda, Matheus Salgueiro
dc.contributor.author	Nacimento, Monica Marques
dc.contributor.author	Braga, Vinícius Silva
dc.date.accessioned	2022-06-03T13:27:56Z
dc.date.available	2022-06-03T13:27:56Z
dc.date.issued	2021-12-09
dc.description.abstract	O mundo vive um crescente momento de envelhecimento populacional. Vários fatores explicam tal fenômeno, como por exemplo a queda da fecundidade proveniente da diminuição do número de nascimentos, além do aumento da expectativa de vida da população em decorrência de melhorias no âmbito da saúde e na qualidade de vida. Por outro lado, o problema de quedas sofridas pela população idosa já é um assunto preocupante conhecido ao redor do mundo, uma vez que pequenas quedas podem gerar grandes transtornos e riscos à vida, saúde e integridade física desta camada da população. Com o agravante ainda de que no momento atual muitos idosos moram sozinhos e devido ao afastamento de seus familiares, os riscos se tornam ainda maiores. Devido ao aumento no número de quedas, diversos dispositivos já foram propostos para detectá-las e em seguida alertar aos contatos previamente cadastrados pelo usuário. Nesse sentido, estudar os indícios de uma possível queda é de suma importância, uma vez que ela pode trazer sérias consequências para a saúde da população, podendo até mesmo ser fatal. O objetivo deste trabalho consiste, portanto, no desenvolvimento de uma ferramenta de predição de risco de queda por meio da utilização dos algoritmos de machine learning árvore de decisão (DT) e rede neural, por meio dos softwares MATLAB® e WEKA. Isto posto, foram treinados dois modelos computacionais baseados nestes algoritmos, que puderam predizer o risco de quedas no idoso. Tais modelos foram embasados nas informações contidas num banco de dados previamente estabelecido e obtiveram taxas de assertividade, precisão e sensibilidade adequadas com possibilidades de melhorias para aplicação prática futura.	pt_BR
dc.description.abstract	The world is experiencing a growing moment of population aging, several factors ex- plain such a phenomenon, such as the fall in fertility resulting from the decrease in the number of births, in addition to the increased life expectancy of the population due to improvements in health and quality of life. On the other hand, the problem of falls suffered by the elderly population is already a matter of concern known around the world, since small falls can cause major problems and risks to the life, health, and physical integrity of this population group. With the aggravating factor that nowadays many elderly people live alone and due to the distance from their families, the risks become even greater Due to the increase in the number of falls, several devices have already been proposed to detect them and then alert the contacts previously registered by the user. In this sense, studying the signs of a possible fall is of utmost importance, since it can bring serious consequences to the population’s health, and can even be fatal. The objective of this work is, therefore, to develop a tool to predict the risk of falling by using the machine learning algorithms decision tree (DT) and neural network, through the MATLAB® and WEKA. That said, two computational models were trained based on these algorithms, which were able to satisfactorily predict the risk of falls in the elderly. These models were based on information contained in a previously established database and obtained adequate assertiveness, precision and sensitivity rates, with possibilities of improvement for future practical application.	en
dc.format.extent	73	pt_BR
dc.identifier.uri	https://repositorio.fei.edu.br/handle/FEI/4515
dc.language.iso	pt_BR	pt_BR
dc.rights	Aberto	pt_BR
dc.subject	queda idosos	pt_BR
dc.subject	predição	pt_BR
dc.subject	inteligência artificial	pt_BR
dc.subject	falls	pt_BR
dc.subject	elderly	pt_BR
dc.subject	risks	pt_BR
dc.subject	prediction	pt_BR
dc.title	Sistema de predição de risco de quedas para área hospitalar utilizando machine learning	pt_BR
dc.type	Trabalho de Conclusão de Curso	pt_BR
fei.date.entrega	2022	pt_BR