Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Pécora Junior, José Eduardo, 1976- | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Sociais Aplicadas. Programa de Pós-Graduação em Gestão de Organizações, Liderança e Decisão | - |
Autor(es): dc.creator | Feijão, Raquel Ximenes | - |
Data de aceite: dc.date.accessioned | 2025-09-01T10:47:08Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T10:47:08Z | - |
Data de envio: dc.date.issued | 2025-08-04 | - |
Data de envio: dc.date.issued | 2025-08-04 | - |
Data de envio: dc.date.issued | 2022 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/97701 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/97701 | - |
Descrição: dc.description | Orientador: Prof. Dr. José Eduardo Pécora Junior | - |
Descrição: dc.description | Coorientador: Prof. Dr. Angel Ruiz | - |
Descrição: dc.description | Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Sociais Aplicadas, Programa de Pós-Graduação em Gestão de Organizações, Liderança e Decisão. Defesa : Curitiba, 16/10/2023 | - |
Descrição: dc.description | Inclui referências | - |
Descrição: dc.description | Resumo: A crescente disponibilidade de dados de saúde eletrônicos apresenta uma grande oportunidade tanto em termos de descoberta como de aplicações práticas para melhorar os cuidados nesta área. A previsão precoce e o diagnóstico de doenças a partir de dados médicos são uma das aplicações mais interessantes do Machine Learning. Este trabalho busca identificar se dados de faturamento poderão ser utilizados para o desenvolvimento de ferramentas que ajudem a identificar padrões que sinalizem a possibilidade de desfechos desfavoráveis em pacientes hipertensos com risco de evolução para Infarto Agudo do Miocárdio e gestantes para parto prematuro precocemente. Por se tratar de um problema de classificação, o resultado é um valor binário, e foram escolhidos cinco algoritmos de Machine Learning, Random Forest, AdaBoosting, Regressão Logística e Naïve Bayes. O modelo de Random Forest para IAM apresentou uma precisão de 96%, que pode ser considerada muito elevada. Porém, os modelos aplicados aos partos prematuros não chegaram à precisão superior à 68%, com valores significativos de falsos positivos e negativos. A partir dos resultados obtidos, pudemos perceber que, com os dados clínicos coletados pelo programa de saúde a acurácia do algoritmo desenvolvido é muito maior que utilizando apenas os dados de faturamento usados no algoritmo da prematuridade sugeridos inicialmente | - |
Descrição: dc.description | Abstract: The growing availability of electronic health data presents a great opportunity both in terms of discovery and practical applications to improve care in this area. Early prediction and diagnosis of diseases from medical data is one of the most interesting applications of ML. This work seeks to identify whether billing data can be used to develop tools that help identify patterns that signal the possibility of unfavorable outcomes in hypertensive patients at risk of developing an acute myocardial infarction and pregnant women who give birth prematurely. As this is a classification problem, the result is a binary value, and five Machine Learning algorithms were chosen: Random Forest, AdaBoosting, Logistic Regression and Naïve Bayes. The Random Forest model for IAM showed an accuracy of 96%, which can be considered very high. However, the models applied to premature births were no more accurate than 68%, with significant false positives and negatives. From the results obtained, we can see that, with the clinical data collected by the health program, the accuracy of the algorithm developed is much higher than using only the billing data used in the prematurity algorithm suggested initially | - |
Formato: dc.format | 1 recurso online : PDF. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Saude - Diagnóstico | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Administração de Empresas | - |
Título: dc.title | Análise preditiva de desfechos de saúde usando machine learning | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: