Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/50700
Type: | Tese |
Title: | Sistema de suporte à decisão baseado em inteligência artificial para predição de doenças arteriais coronárias |
Authors: | Carlos Anderson Oliveira Silva |
First Advisor: | Cristiano Leite de Castro |
First Co-advisor: | Michel Bessani |
First Referee: | Carlos Dias Maciel |
Second Referee: | Thiago Souza Rodrigues |
Third Referee: | Henrique Resende Martins |
metadata.dc.contributor.referee4: | Wagner Meira Junior |
Abstract: | A aplicação de aprendizagem de máquina tem se tornado cada vez mais comum em diversas áreas profissionais. Dentre as várias possibilidades que essa tecnologia permite, utiliza-la como ferramenta de predição e suporte à tomada de decisão vem se mostrando bastante promissora. Entretanto, a característica "caixa preta" de alguns modelos tem inviabilizado a utilização dessa tecnologia, principalmente na área médica. Os profissionais de saúde precisam de clareza sobre os fatores que indicam um diagnóstico. Afinal, um diagnóstico errado pode levar a perca da vida de um paciente. Utilizando uma base de dados com mais de 560 mil registros de consultas médicas em pacientes, este trabalho propõe uma metodologia que construa modelos de aprendizagem de máquina explicáveis para predição de diagnósticos de Fibrilação Auricular, Enfermidade Coronária e Apneia do Sono, incorporando dados históricos estruturados e não estruturados dos pacientes. Aprendizado Fracamente Supervisionado é usado para rotular os dados não estruturados, XGBoost é usado para predição e o método SHAP é usado para explicar a predição. Por fim, toda proposta é implementada em um software web escrito em linguagem de programação Python. Os resultados são promissores, além da capacidade de predição acurada, a explicação da predição destaca características históricas do paciente com maior impacto no processo de tomada de decisão do diagnóstico sugerido. |
Abstract: | The application of machine learning has become increasingly common in various professional areas. Among the various possibilities that this technology allows, using it as a prediction and decision-making tool has been very promising. However, the "Black-Box" feature of some models has made the use of this technology unviable, especially in the medical field. Healthcare professionals need clarity about the factors that indicate a diagnosis. After all, a wrong diagnosis can lead to a patient’s life. Using a database with more than 560,000 records of medical appoint ments in patients, this work proposes a methodology that builds explainable machine learning models for the diagnosis prediction of auricular fibrillation, coronary sickness, and sleep apnea, incorporating patient’s structured and unstructured historical data. Weak supervision is used to label the unstructured data, XGBoost is used for prediction, and the SHAP method is used to explain the prediction. Finally, the methodology is implemented in Web Software written in the Python programming language. The results are promising, in addition to the accurate prediction capability, the prediction explanation highlights the patient’s historical characteristics with a higher impact on the decision-making process of the suggested diagnostic. |
Subject: | Inovações tecnológicas Inteligência artificial Aprendizado do computador Coronariopatias Sistemas de suporte de decisão Clínica médica – Processo decisório Redes neurais (Computação) Síndrome das apneias do sono Coração – Doenças – Diagnóstico Python (Linguagem de programação de computador) Software – Desenvolvimento |
language: | por |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | ICX - DEPARTAMENTO DE QUÍMICA |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Inovação Tecnológica e Biofarmacêutica |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/50700 |
Issue Date: | 17-Nov-2022 |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
tese_CarlosAndersonOliveiraSilva.pdf | 6.07 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.