Publicação
ProSmartHealth: uma ferramenta de decisão
| Resumo: | A segurança do paciente constitui um dos grandes desafios dos cuidados de saúde do século XXI. Deste modo um fator importante para estabelecer diagnósticos clínicos e prevenção de erros é a comunicação médico-doente. Diariamente os profissionais de saúde são procurados por pacientes, motivados pela vontade de permanecer saudável, realizando inúmeros diagnósticos que podem estar errados por diversos motivos. O objetivo principal desta dissertação é desenvolver uma aplicação com o intuito de evitar erros no diagnóstico médico, auxiliando assim os profissionais de saúde nos procedimentos de diagnóstico. A aplicação ProSmartHealth é baseada em treinar e testar um procedimento de aprendizagem com o conjunto de dados de saúde para identificar clusters e padrões nos sintomas humanos. No início terá um questionário integrado, onde os profissionais de saúde preenchem perguntas chave com os resultados dos pacientes e, no final, a aplicação indicará uma sugestão de diagnóstico. Até agora, a ProSmartHealth considera o diagnóstico associado a doença cardíaca, cancro da mama e demência. A ProSmartHealth utiliza o algoritmo de classificação Support Vector Machine, do Supervised Learning, para treinar e testar as sugestões de diagnóstico. Neste estudo obteve-se uma precisão média de 84% na identificação das doenças estudadas. |
|---|---|
| Autores principais: | Sena, Inês |
| Assunto: | Inteligência artificial Machine Learning Algoritmo de classificação Support vector machine |
| Ano: | 2020 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Bragança |
| Idioma: | português |
| Origem: | Biblioteca Digital do IPB |
| Resumo: | A segurança do paciente constitui um dos grandes desafios dos cuidados de saúde do século XXI. Deste modo um fator importante para estabelecer diagnósticos clínicos e prevenção de erros é a comunicação médico-doente. Diariamente os profissionais de saúde são procurados por pacientes, motivados pela vontade de permanecer saudável, realizando inúmeros diagnósticos que podem estar errados por diversos motivos. O objetivo principal desta dissertação é desenvolver uma aplicação com o intuito de evitar erros no diagnóstico médico, auxiliando assim os profissionais de saúde nos procedimentos de diagnóstico. A aplicação ProSmartHealth é baseada em treinar e testar um procedimento de aprendizagem com o conjunto de dados de saúde para identificar clusters e padrões nos sintomas humanos. No início terá um questionário integrado, onde os profissionais de saúde preenchem perguntas chave com os resultados dos pacientes e, no final, a aplicação indicará uma sugestão de diagnóstico. Até agora, a ProSmartHealth considera o diagnóstico associado a doença cardíaca, cancro da mama e demência. A ProSmartHealth utiliza o algoritmo de classificação Support Vector Machine, do Supervised Learning, para treinar e testar as sugestões de diagnóstico. Neste estudo obteve-se uma precisão média de 84% na identificação das doenças estudadas. |
|---|