Detecção e interpretação de palavras chaves a partir de diálogos médico-pacientes
Carregando...
Citações na Scopus
Tipo de produção
Trabalho de Conclusão de Curso
Data
2025-12-11
Autores
Schanz, Gabriel Brito
Barbieri, Joao Pedro Nagib Jorge
Candido, Leonardo Barrionuevo
Fernandes, Lucas Podmanicki
Barbieri, Joao Pedro Nagib Jorge
Candido, Leonardo Barrionuevo
Fernandes, Lucas Podmanicki
Orientador
Rodrigues, Paulo Sérgio Silva
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
Texto completo (DOI)
Palavras-chave
NLP,CDSS,detecção de sintomas,decisão clínica
Resumo
O atendimento rápido e preciso em hospitais é um desafio a ser superado no Brasil, onde a superlotação e a urgência são comuns. O princípio é complicado, então é uma comunicação entre médicos e pacientes, em muito pouco tempo para verificar o diagnóstico que depende da comunicação entre o médico e o paciente pode variar e, devido ao cansaço e ao estresse, podem ocorrer erros ou más interpretações. Por outro lado, o avanço das tecnologias de aprendizado de máquina na área médica tem possibilidade de desenvolvimento de sistemas mais Preciso e eficaz para uma análise de dados clínicos. Nesse contexto, o Sistema de Apoio à Decisão Clínica é utilizada em conjunto com aprendizado de máquina para analisar dados do Paciente e fornecer recomendações baseadas em evidências. No entanto, muita informação fundamentos para a detecção de sintomas ainda são frequentemente despercebidos durante as consultas. Assim, este trabalho desenvolveu uma metodologia baseada na interpretação de áudios em consultórios médicos, buscando informações relevantes para o diagnóstico. Os resultados Obtidos demonstraram uma precisão de 73% de detecção de sintomas em relação ao site lá arte.
Rapid and accurate patient care in hospitals is a challenge to be overcome in Brazil, where overcrowding and urgency are common. The core issue is that communication between doctors and patients is often limited to a very short time frame for verifying a diagnosis. Since this communication relies heavily on the interaction between physician and patient, variations due to fatigue and stress can lead to errors or misinterpretations. On the other hand, advancements in machine learning technologies in the medical field enable the development of more accurate and effective systems for clinical data analysis. In this context, Clinical Decision Support Systems are employed alongside machine learning to analyze patient data and provide evidence-based recommendations. However, much of the essential information for symptom detection still often goes unnoticed during consultations. Therefore, this work developed a methodology based on interpreting audio recordings from medical consultations, seeking relevant information for diagnosis. The obtained results demonstrated a 73% accuracy in symptom detection compared to the state-of-the-art approaches.
Rapid and accurate patient care in hospitals is a challenge to be overcome in Brazil, where overcrowding and urgency are common. The core issue is that communication between doctors and patients is often limited to a very short time frame for verifying a diagnosis. Since this communication relies heavily on the interaction between physician and patient, variations due to fatigue and stress can lead to errors or misinterpretations. On the other hand, advancements in machine learning technologies in the medical field enable the development of more accurate and effective systems for clinical data analysis. In this context, Clinical Decision Support Systems are employed alongside machine learning to analyze patient data and provide evidence-based recommendations. However, much of the essential information for symptom detection still often goes unnoticed during consultations. Therefore, this work developed a methodology based on interpreting audio recordings from medical consultations, seeking relevant information for diagnosis. The obtained results demonstrated a 73% accuracy in symptom detection compared to the state-of-the-art approaches.