Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/13763
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
mayaraamandadasilva.pdfPDF/A2.06 MBAdobe PDFVista previa
Visualizar/Abrir
Clase: Dissertação
Título : Avaliação de modelos de aprendizado de máquina para classificação de gestantes e predição de gravidez de risco usando o histórico de consultas médicas
Autor(es): Silva, Mayara Amanda da
Orientador: Vieira, Alex Borges
Co-orientador: Ziviani, Artur
Co-orientador: Bernardino, Heder Soares
Miembros Examinadores: Goliatt, Priscila Vanessa Zabala Capriles
Miembros Examinadores: Ito, Márcia
Resumo: Atualmente, a tecnologia disponível permite a criação e o armazenamento de quantidades cada vez maiores de dados. Além disso, a ampla disponibilidade de métodos de aprendizado de máquina auxilia na análise e interpretação do grande volume de dados disponíveis, o que traz claros benefícios para a sociedade. Sistemas de saúde notoriamente geram muitos dados. Há eventos importantes, sensíveis e que a análise de informações do volume de dados armazenados, podem contribuir para diagnósticos precoces. Por exemplo, gestantes tendem a ser acompanhadas por um longo período, o que gera informações importantes para tomadas de decisões. Portanto, a identificação de uma gestação de alto risco ou mesmo a detecção precoce de possíveis complicações pode garantir à gestante uma gestação com mais cuidado e conforto. Assim, neste trabalho temos como objetivo a avaliação de modelos de aprendizado de máquina para classificação de gestantes de risco. Inicialmente caracterizamos os atendimentos da gestante, onde são analisadas as trajetórias de atendimento de pacientes na rede de atenção básica de saúde. Avaliar como é a trajetória dos pacientes do SUS, seja entre os atendimentos, seja entre as unidades de atendimento, é uma atividade importante para o entendimento e aprimoramento do sistema. Com isso, aplicamos modelos de classificação para identificar gestantes em risco. Além disso, a partir dos dados existentes, criamos técnicas para agrupar automaticamente as gestantes baseado nas consultas realizadas. Tanto o modelo de classificação quanto a aplicação desse modelo em dados temporais foram testados em um grupo de gestante cadastradas no sistema público de saúde do município de São Paulo-Brasil. Os resultados demonstram que o modelo de classificação tem alto desempenho, e consegue classificar uma gravidez de risco, com acurácia de quase 74%, com apenas 4 semanas de dados de uma gestação. Os agrupamentos que o modelo automático gerou foram validadas por especialistas da área médica e as informações desses grupos são coerentes com os procedimentos realizados pelas gestantes. Por fim, acreditamos que os modelos criados e as discussões dessa dissertação poderão ser utilizadas como meio para auxiliar na tomada de decisão, tanto de médicos quanto de gestores de saúde.
Resumen : Today, modern technology allows the creation and storage of ever-increasing amounts of data. Furthermore, the wide availability of machine learning methods aids in the analysis and interpretation of the large volume of data available, which brings clear benefits to society. Health systems, notoriously, generate a lot of data. There are important sensitive events, and that the analysis of information from the volume of stored data can contribute to early diagnoses. For example, pregnant women tend to be followed for a long period, which generates important information for decision-making. Therefore, the identification of a high-risk pregnancy or even the early detection of possible complications can guarantee the pregnant woman a pregnancy with more care and comfort. Thus, in this work we aim to evaluate machine learning models for classifying pregnant women at risk. Initially, we characterize the care provided to pregnant women, where the trajectories of care for patients in the basic health network are analyzed. Assessing the trajectory of SUS patients, whether between care units or service units, is an important activity for understanding and improving the system. Thus, we apply classification models to identify pregnant women at risk. Furthermore, based on existing data, we created techniques to automatically group pregnant women based on medical appointments. Both the classification model and the application of this model in temporal data had their effectiveness tested in a group of pregnant women registered in the public health system in the city of São Paulo-Brazil. The results demonstrate that the classification model has high performance, and that is able to classify a pregnancy at risk, with an accuracy of almost 74%, with only 4 weeks of pregnancy data. The groupings generated by the automatic model were validated by specialists in the area, and the information from these groups is consistent with the procedures performed by the pregnant women. Finally, we believe that the models created and the discussions in this dissertation can be used as a way to assist in decision making, both for physicians and health managers.
Palabras clave : Redes de atenção à saúde
Aprendizado de máquina aplicado à saúde
Sistemas de apoio à decisão clínica
Predição de gravidez de risco
Healthcare networks
Machine learning applied to health
Clinical decision support systems
Prediction of risky pregnancy
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Programa: Programa de Pós-graduação em Ciência da Computação
Clase de Acesso: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
DOI: https://doi.org/10.34019/ufjf/di/2021/00371
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/13763
Fecha de publicación : 6-oct-2021
Aparece en las colecciones: Mestrado em Ciência da Computação (Dissertações)



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons