SOFTWARE DE PRÉ-DIAGNÓSTICO MÉDICO PARA CLASSIFICAÇÃO DE RISCO

dc.contributor.advisorFlavio Tonidandel
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5331230734386657
dc.contributor.authorDOUGLAS IINO RINALDI
dc.contributor.authorGUILHERME CUCIO LAGO
dc.contributor.authorLUCAS LOPES
dc.contributor.authorMARCELO NOBRE
dc.date.accessioned2024-08-16T14:46:56Z
dc.date.available2024-08-16T14:46:56Z
dc.date.issued2023-06-12
dc.description.abstractAtualmente a classificação de risco é um processo realizado por um profissional de saúde (na maioria dos casos por um enfermeiro) assim que o paciente chega ao hospital, a fim de determinar a gravidade dos sintomas que o mesmo apresenta, além de encaixá-lo na fila com um tempo de espera condizente a tais sintomas para que todos possam ser atendidos de forma conveniente e eficiente. A falha em classificar o paciente de forma precisa pode acarretar em consequências tanto para ele quanto para todos os outros que tiveram seu tempo de espera influenciado por sua classificação. Para realizar a classificação de risco, é utilizado o Protocolo de Manchester que estipula que os profissionais de saúde realizem uma avaliação sobre o quadro clínico do paciente e o classifiquem com uma cor, representada por uma pulseira. No Brasil, o processo é realizado sem o auxílio de qualquer software ou hardware que possa acelerar ou tornar o procedimento mais eficaz: todos os sinais vitais colhidos do paciente, como frequência cardíaca e pressão arterial, são preenchidos com papel e caneta, e qualquer consulta que o funcionário precise fazer é feita em um manual físico referente ao Protocolo. Assim, este trabalho tem como objetivo propor um software capaz de armazenar todas as informações necessárias do paciente durante o pré-diagnóstico e classificá-lo de acordo com o Protocolo de Manchester. Além disso, será implementada uma Inteligência Artificial (IA) que funcionará com base no algoritmo de Random Forest para que o software seja capaz de aumentar sua precisão de acordo com seu uso.pt_BR
dc.description.abstractThe risk rating is a process fulfilled by a healthcare professional (most of the times by a nurse) the moment the patient arrives at the hospital, in order to determine the severity of their symp- toms and allocate them on queue accordingly, so everyone can be treated as efficiently and conveniently as possible. Failing to rank the patient in a precise way can possibly bring con- sequences for all other patients who had their wait time influenced by them. The Manchester Protocol is utilized in order to perform the risk rating, indicating that healthcare professionals must do an evaluation of the patient’s clinical condition and rank them through a color, repre- sented by a bracelet. In Brazil, the process is accomplished without the aid of any software nor hardware that is capable of making the procedure more efficient: all vital signs collected from the patient, such as heart rate and blood pressure, are filled in with pen and paper and any search made by the nurse is made through a physical manual referent to the Protocol. The objective of this paper is to propose a software capable of storing all the patient’s information necessary during their pre diagnosis and rank them according to the Manchester Protocol. Furthermore, an Artificial Intelligence (AI) will be implemented, using Random Forest’s algorithm to enhance the software’s capabilities to be more precise throughout its use.en
dc.format.extent61
dc.identifier.urihttps://repositorio.fei.edu.br/handle/FEI/5512
dc.rightsRestrito
dc.subjectClassificação de risco
dc.subjectProtocolo de Manchester
dc.subjectRandom Forest
dc.subjectAprendizado de máquina
dc.subjectInteligência artificia
dc.titleSOFTWARE DE PRÉ-DIAGNÓSTICO MÉDICO PARA CLASSIFICAÇÃO DE RISCO
dc.typeTrabalho de Conclusão de Curso
fei.date.entrega2023
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
TCC231___A_.pdf
Tamanho:
2.07 MB
Formato:
Adobe Portable Document Format
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.75 KB
Formato:
Item-specific license agreed upon to submission
Descrição: