Sistema de predição de risco de quedas para área hospitalar utilizando machine learning

• Autor(a) principal: Pereira, Isaías Cabral
• Data de Publicação: 2021
• Outros Autores: Batista, Jonathan Fellipe Francisco, Sonoda, Matheus Salgueiro, Nacimento, Monica Marques, Braga, Vinícius Silva
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da FEI
• Texto Completo: https://repositorio.fei.edu.br/handle/FEI/4515
• topic: queda idosos; predição; inteligência artificial; falls; elderly; risks; prediction

O mundo vive um crescente momento de envelhecimento populacional. Vários fatores explicam tal fenômeno, como por exemplo a queda da fecundidade proveniente da diminuição do número de nascimentos, além do aumento da expectativa de vida da população em decorrência de melhorias no âmbito da saúde e na qualidade de vida. Por outro lado, o problema de quedas sofridas pela população idosa já é um assunto preocupante conhecido ao redor do mundo, uma vez que pequenas quedas podem gerar grandes transtornos e riscos à vida, saúde e integridade física desta camada da população. Com o agravante ainda de que no momento atual muitos idosos moram sozinhos e devido ao afastamento de seus familiares, os riscos se tornam ainda maiores. Devido ao aumento no número de quedas, diversos dispositivos já foram propostos para detectá-las e em seguida alertar aos contatos previamente cadastrados pelo usuário. Nesse sentido, estudar os indícios de uma possível queda é de suma importância, uma vez que ela pode trazer sérias consequências para a saúde da população, podendo até mesmo ser fatal. O objetivo deste trabalho consiste, portanto, no desenvolvimento de uma ferramenta de predição de risco de queda por meio da utilização dos algoritmos de machine learning árvore de decisão (DT) e rede neural, por meio dos softwares MATLAB® e WEKA. Isto posto, foram treinados dois modelos computacionais baseados nestes algoritmos, que puderam predizer o risco de quedas no idoso. Tais modelos foram embasados nas informações contidas num banco de dados previamente estabelecido e obtiveram taxas de assertividade, precisão e sensibilidade adequadas com possibilidades de melhorias para aplicação prática futura.