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.creator | Bezerra, Jackson Henrique da Silva | - |
Autor(es): dc.creator | Almeida, Fabrício Moraes de | - |
Autor(es): dc.creator | Oliveira, Fabio Machado de | - |
Data de aceite: dc.date.accessioned | 2025-03-18T21:03:41Z | - |
Data de disponibilização: dc.date.available | 2025-03-18T21:03:41Z | - |
Data de envio: dc.date.issued | 2024-11-03 | - |
Data de envio: dc.date.issued | 2024-11-03 | - |
Data de envio: dc.date.issued | 2023 | - |
Fonte completa do material: dc.identifier | http://repositorio.ifro.edu.br/handle/123456789/1397 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/971359 | - |
Descrição: dc.description | Machine Learning (ML) is asubset of Artificial Intelligence plays an important role in healthcare, providing predictive models created from algorithms and large databases. These models can classify patients for diagnostic or prognostic purposes in various diseases. This research aimed to develop a predictive model for death due to Severe Acute Respiratory Syndrome (SARS) for children aged 0 to 3 years in the North region of Brazil, using data provided by the Brazilian Ministry of Health. An applied research was carried out using the CRISP-DM methodology that guided the entire process of selection, processing, transformation, application of ML algorithms and evaluation of the model. The Random Forest, Logistic Regression, K-Nearest Neighbors and XGBoost algorithms were used through the Weka software, where the model with Random Forest had superior performance. The model was generated with cross-validation and evaluated according to the metrics of sensitivity, specificity, accuracy, precision, F1-Score and AUC-ROC, the latter being theprimary evaluation metric. Finally, a software application prototype for using the model was developed in the Java language so that the knowledge generated by the model reaches healthcare professionals. | - |
Descrição: dc.description | O Machine Learning (ML) é um subconjunto da Inteligência Artificial, tem um papel importante na área da saúde, fornecendo modelos preditivos criados a partir de algoritmos e grandes bases de dados. Estes modelos podem classificar pacientes para fins de diagnóstico ou prognósticos em diversas doenças. A presente pesquisa teve como objetivo o desenvolvimento de um modelo preditivo de óbito por Síndrome Respiratória Aguda Grave (SRAG) para crianças de 0 a 3 anos da região Norte do Brasil, através de dados disponibilizados pelo Ministério da Saúde do Brasil. Uma pesquisa aplicada foi realizada através da metodologia CRISP-DM que guiou todo o processo de seleção, processamento, transformação, aplicação dos algoritmos de ML e avaliação do modelo. Os algoritmos Random Forest, Regression Logistic, K-Nearest Neighbors e XGBoost foram utilizados através do software Weka, onde o modelo com o Random Forest teve desempenho superior. O modelo foi gerado com validação cruzada e avaliado conforme as métricas de sensibilidade, especificidade, acurácia, precisão, F1-Score e AUC-ROC, sendo esta última a métrica primária de avaliação. Por fim, um protótipo de aplicação de software para uso do modelo foi desenvolvido na linguagem Java para que o conhecimento gerado pelo modelo chegue aos profissionais da área da saúde. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | InterSciencePlace – International Scientific Journal | - |
Publicador: dc.publisher | Campus Ji-Paraná | - |
Palavras-chave: dc.subject | Artificial Intelligence | - |
Palavras-chave: dc.subject | Machine Learning (ML) | - |
Palavras-chave: dc.subject | Database | - |
Palavras-chave: dc.subject | Severe Acute Respiratory Syndrome (SARS) | - |
Palavras-chave: dc.subject | Predictive Models | - |
Palavras-chave: dc.subject | Inteligência Artificial | - |
Palavras-chave: dc.subject | Machine Learning (ML) | - |
Palavras-chave: dc.subject | Banco de dados | - |
Palavras-chave: dc.subject | Síndrome Respiratória Aguda Grave (SRAG) | - |
Palavras-chave: dc.subject | Modelo Preditivo | - |
Título: dc.title | Artificial intelligence applied to health - Data analysis for children's health | - |
Aparece nas coleções: | Repositório Institucional - IFRO |
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: