Interface preditiva aplicada à área da saúde

• Autor(a) principal: Silva, Lucas Massignani Coelho da
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UCS
• Texto Completo: https://repositorio.ucs.br/11338/11989
• topic: Aprendizado do computador; Eletrocardiografia; Infarto do miocárdio

As doenças cardiovasculares (DCV) são as principais causas de morte em todo o mundo. Neste contexto, ferramentas de triagem automáticas podem auxiliar a identificar essas doenças. Como exemplo, o eletrocardiograma (ECG) é um dos principais métodos de triagem, por ser eficiente e não invasivo. Por conta dessas características, ele é amplamente utilizado para identificar DCVs. O infarto do miocárdio (IM) ou ataque cardíaco é uma DCV que ocorre devido ao bloqueio parcial ou completo do fluxo sanguíneo para os músculos cardíacos. Ele pode levar a danos irreversíveis ao coração, ou até mesmo a morte, se não for identificado precocemente. Neste sentido, existe um conceito chamado golden hour, ou seja, a hora de ouro, o que significa que o restabelecimento da circulação sanguínea deve ser feito o quanto antes. Pode-se evitar, assim, a morte do músculo cardíaco, reduzindo a taxa de mortalidade. Nesse contexto,o objetivo desse trabalho consiste em, a partir dos sinais vindos de um ECG, empregar métodos de Aprendizado de Máquina para fins de predição de infarto e implementar uma interface de programação de aplicações (API), para disponibilizar o acesso ao modelo de aprendizado pelos dispositivos capazes de enviar sinais. Para iniciar, esse projeto partiu de um processo de revisão sistemática da literatura, a fim de mapear o estado da arte na área. Foram selecionados trabalhos relacionados ao estudo, aplicando-se filtros e refinamentos sucessivos. A partir da análise desses trabalhos, foi identificado o melhor método de classificação para dar continuidade ao estudo. Além disso, foi identificado um padrão entre os trabalhos analisados, sendo esse a utilização do dataset PTB, ou PTB-XL, esteve presente na maioria dos projetos. Selecionou-se para este projeto o dataset PTB-XL por conter um número maior de instâncias. Por fim, foram utilizados os algorítimos Random Forest e Árvore de Decisão para fazer a implementação dos modelos, além da criação de uma Interface de Programação de Aplicação (API) e sua disponibilização via Heroku. [resumo fornecido pelo autor]