Use este identificador para citar ou linkar para este item:
http://www.repositorio.ufal.br/jspui/handle/123456789/10887
Tipo: | Dissertação |
Título: | Um sistema inteligente para a avaliação de risco da DRC e encaminhamento de pacientes em emergência para unidades de saúde |
Autor(es): | Queiroz, Andressa Carvalho Melo da Silveira |
Primeiro Orientador: | Silva, Leandro Dias da |
metadata.dc.contributor.advisor-co1: | César Sobrinho, Álvaro Alvares de Carvalho |
metadata.dc.contributor.referee1: | Costa, Evandro de Barros |
metadata.dc.contributor.referee2: | Calado, Ivo Augusto Andrade Rocha |
metadata.dc.contributor.referee3: | Perkusich, Angelo |
Resumo: | A alta incidência e prevalência de Doença Renal Crônica (DRC), frequentemente causada por diagnósticos tardios, é um problema crítico de saúde pública, principalmente em países em desenvolvimento como o Brasil. As terapias de tratamento da DRC, como diálise e transplante renal, aumentam as taxas de morbimortalidade, além dos custos com saúde pública. Inicialmente, neste estudo, foi analisado o uso de técnicas de aprendizado de máquina para auxiliar no monitoramento da DRC em países em desenvolvimento. Análises comparativas qualitativas e quantitativas foram, respectivamente, realizadas executando uma revisão sistemática da literatura e um experimento com técnicas de aprendizado de máquina, com o método de validação cruzada k-fold, baseado no software Weka(c) e um conjunto de dados da DRC. A partir das análises, foi possível discutir a adequação das técnicas de aprendizado de máquina para a avaliação de risco de DRC, concentrando-se em ambientes de baixa renda e de difícil acesso em países em desenvolvimento, devido aos problemas específicos enfrentados, como, por exemplo, atendimento primário inadequado. Com base nos resultados do estudo, foi possível observar que a árvore de decisão J48 é uma técnica de aprendizado de máquina adequada para a avaliação de risco em países em desenvolvimento, devido à fácil nterpretação de resultados de classificação, com 95,00% de precisão, alcançando concordância quase perfeita com a opinião de um nefrologista experiente. Por outro lado, as técnicas de floresta aleatória, naive Bayes, máquina de vetores de suporte, perceptron multicamada e k vizinho mais próximo, respectivamente, apresentaram 93,33%, 88,33%, 76,66%, 75,00% e 71,67% de precisão, com pelo menos concordância moderada com o nefrologista, à custa de uma interpretação mais difícil dos resultados da classificação. Com esta conclusão, a árvore de decisão J48 foi usada para desenvolver um sistema inteligente para avaliar o risco de DRC em países em desenvolvimento. Além disso, quando o paciente com DRC está fora de seu município e ocorre uma emergência, o sistema recomenda que o paciente compareça a uma unidade de saúde apropriada, dependendo da situação clínica, para evitar cuidados de saúde tardios ou inadequados. |
Abstract: | The high incidence and prevalence of chronic kidney disease (CKD), often caused by late diagnoses, is a critical public health problem, especially in developing countries such as Brazil. CKD treatment therapies, such as dialysis and kidney transplantation, increase the morbidity and mortality rates, besides the public health costs. Firstly, this study analyses the usage of machine learning techniques to assist in the early diagnosis of CKD im developing countries. Qualitative and quantitative comparative analyses are, respectively, conducted using a systematic literature review and an experiment with machine learning techniques, with the k-fold cross-validation method based on the Weka? software and a CKD dataset. These analyses enable a discussion on the suitability of machine learning techniques for screening for CKD risk, focusing on low-income and hard-to-reach settings of developing countries, due to the specific problems, e.g., inadequate primary health care. The study results show that the J48 decision tree is a suitable machine learning technique for such screening in developing countries, due to the straightforward interpretation of its classification results, with 95.00% accuracy, reaching a nearly perfect agreement with an experienced nephrologist's opinion. Conversely, random forest, naive Bayes, support vector machine, multilayer perceptron, and k-nearest neighbor techniques, respectively, yield 93.33%, 88.33%, 76.66%, 75.00%, and 71.67% accuracy, presenting at least moderate agreement with the nephrologist, at the cost of a more difficult interpretation of the classification results. With this conclusion, J48 decision tree was used to develop an intelligent system to evaluate the CKD risk in developing countries. In besides, when the CKD patient is outside his/her county and an emergency occurs, it is proposed that the system recommends the patient to attend an appropriate health unit depending on the clinical situation to prevent late or inadequate health care. |
Palavras-chave: | Aprendizado do computador Insuficiência renal crônica Países em desenvolvimento Machine Learning Chronic Kidney Disease Web Application Developing Countries |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Alagoas |
Sigla da Instituição: | UFAL |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Informática |
Citação: | QUEIROZ, Andressa Carvalho Melo da Silveira. Um sistema inteligente para a avaliação de risco da DRC e encaminhamento de pacientes em emergência para unidades de saúde. 2023. 85 f. Dissertação (Mestrado em Informática) – Programa de Pós-Graduação em Informática, Instituto de Computação, Universidade Federal de Alagoas, Maceió, 2020. |
Tipo de Acesso: | Acesso Aberto |
URI: | http://www.repositorio.ufal.br/jspui/handle/123456789/10887 |
Data do documento: | 28-ago-2020 |
Aparece nas coleções: | Dissertações e Teses defendidas na UFAL - IC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Um sistema inteligente para a avaliação de risco da DRC e encaminhamento de pacientes em emergência para unidades de saúde.pdf | 9.27 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.