Classificador de diagnóstico diferencial: casos de dengue e chikungunya

Detalhes bibliográficos
Autor(a) principal: Rocha, Gustavo Carneiro
Data de Publicação: 2018
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
Texto Completo: https://app.uff.br/riuff/handle/1/8330
Resumo: De acordo com Ministério da Saúde (2017, p. 416), as doenças dengue e chikungunya podem apresentar sinais e sintomas clínicos muito semelhantes, porém os tratamentos relacionados a essas doenças podem ser diferentes em diversas situações. O controle epidemiológico se torna enviesado devido a vários casos de chikungunya serem tratados como dengue. O presente trabalho analisou a eficácia de algoritmos para o auxílio ao diagnóstico diferencial de dengue e chikungunya. Primeiramente, foi realizado um mapeamento do estado da arte sobre outros estudos relacionados ao tema de data mining aplicado a casos de dengue e chikungunya. Por fim, desenvolveu-se diversos tipos de classificadores para a comparação dos resultados, a partir da base de registros (COVIG) de pacientes diagnosticados em Niterói, Rj e dados climáticos do INMET. Este trabalho identificou que não há algoritmos já desenvolvidos para o diagnóstico diferencial de ambas as doenças e gerou um modelo de classificação de diagnóstico diferencial de dengue e chikungunya com uma acurácia de 88,51%. Os dados climáticos de 2 meses anteriores ao primeiro atendimento médico se apresentaram como os mais impactantes na eficácia do algoritmo. Os principais atributos atrelados a tal resultado são: Idade, Semana, ID do Bairro, Raça e Artralgia. Os conhecimentos adquiridos neste trabalho geram a oportunidade para que em trabalhos futuros seja criado um sistema que auxilie a tomada de decisão médica no diagnóstico diferencial de ambas as doenças e, consequentemente, que impacte positivamente na eficácia dos profissionais
id UFF-2_92278791e64f56428d7e16e36371e0b4
oai_identifier_str oai:app.uff.br:1/8330
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Classificador de diagnóstico diferencial: casos de dengue e chikungunyaMineração de dadosClassificadorDengueChikungunyaDiagnóstico diferencialMineração de dados (Computação)Diagnóstico diferencialDengueData miningClassifierDengueChikungunyaDifferential diagnosisDe acordo com Ministério da Saúde (2017, p. 416), as doenças dengue e chikungunya podem apresentar sinais e sintomas clínicos muito semelhantes, porém os tratamentos relacionados a essas doenças podem ser diferentes em diversas situações. O controle epidemiológico se torna enviesado devido a vários casos de chikungunya serem tratados como dengue. O presente trabalho analisou a eficácia de algoritmos para o auxílio ao diagnóstico diferencial de dengue e chikungunya. Primeiramente, foi realizado um mapeamento do estado da arte sobre outros estudos relacionados ao tema de data mining aplicado a casos de dengue e chikungunya. Por fim, desenvolveu-se diversos tipos de classificadores para a comparação dos resultados, a partir da base de registros (COVIG) de pacientes diagnosticados em Niterói, Rj e dados climáticos do INMET. Este trabalho identificou que não há algoritmos já desenvolvidos para o diagnóstico diferencial de ambas as doenças e gerou um modelo de classificação de diagnóstico diferencial de dengue e chikungunya com uma acurácia de 88,51%. Os dados climáticos de 2 meses anteriores ao primeiro atendimento médico se apresentaram como os mais impactantes na eficácia do algoritmo. Os principais atributos atrelados a tal resultado são: Idade, Semana, ID do Bairro, Raça e Artralgia. Os conhecimentos adquiridos neste trabalho geram a oportunidade para que em trabalhos futuros seja criado um sistema que auxilie a tomada de decisão médica no diagnóstico diferencial de ambas as doenças e, consequentemente, que impacte positivamente na eficácia dos profissionaisAccording to Ministério da Saúde (2017, p. 416), dengue and chikungunya diseases may present similar clinical signs and symptoms, although the related treatment may be different in many circumstances. The epidemiologic control may become biased since many chikungunya cases are treated as dengue disease. The present work aims to analyze different algorithms efficacy which may assist the differential diagnosis of dengue and chikungunya. Firstly, it was created a state of art about other studies that relate data mining theme to dengue and chikungunya diseases. Finally, it was developed diverse classifiers to achieve the best efficacy through the database COVIG that contains records about dengue- or chikungunya-diagnosed patients as well as climate data from INMET. It has been identified that there is no developed algorithm for the dengue and chikungunya differential diagnoses. The best classifier model accuracy for the present work has achieved 88,51%. The analysis have shown that the climate data for the two months prior the first medical appointment is the most significant for the efficacy of the algorithm. The most important attributes related are: Age, Week, District, Race and Arthralgia. The acquired knowledge may generate opportunities for future works, in order to help medical decision-making systems for the differential diagnose of both disease to be created. Thus, it may positively impact the professional efficacyCosta, Helder GomesPereira, ValdecyRoboredo, Marcos CostaRocha, Gustavo Carneiro2019-01-23T16:15:55Z2019-01-23T16:15:55Z2018info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttps://app.uff.br/riuff/handle/1/8330http://creativecommons.org/licenses/by-nc-nd/3.0/br/CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2022-09-29T21:56:53Zoai:app.uff.br:1/8330Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202022-09-29T21:56:53Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Classificador de diagnóstico diferencial: casos de dengue e chikungunya
title Classificador de diagnóstico diferencial: casos de dengue e chikungunya
spellingShingle Classificador de diagnóstico diferencial: casos de dengue e chikungunya
Rocha, Gustavo Carneiro
Mineração de dados
Classificador
Dengue
Chikungunya
Diagnóstico diferencial
Mineração de dados (Computação)
Diagnóstico diferencial
Dengue
Data mining
Classifier
Dengue
Chikungunya
Differential diagnosis
title_short Classificador de diagnóstico diferencial: casos de dengue e chikungunya
title_full Classificador de diagnóstico diferencial: casos de dengue e chikungunya
title_fullStr Classificador de diagnóstico diferencial: casos de dengue e chikungunya
title_full_unstemmed Classificador de diagnóstico diferencial: casos de dengue e chikungunya
title_sort Classificador de diagnóstico diferencial: casos de dengue e chikungunya
author Rocha, Gustavo Carneiro
author_facet Rocha, Gustavo Carneiro
author_role author
dc.contributor.none.fl_str_mv Costa, Helder Gomes
Pereira, Valdecy
Roboredo, Marcos Costa
dc.contributor.author.fl_str_mv Rocha, Gustavo Carneiro
dc.subject.por.fl_str_mv Mineração de dados
Classificador
Dengue
Chikungunya
Diagnóstico diferencial
Mineração de dados (Computação)
Diagnóstico diferencial
Dengue
Data mining
Classifier
Dengue
Chikungunya
Differential diagnosis
topic Mineração de dados
Classificador
Dengue
Chikungunya
Diagnóstico diferencial
Mineração de dados (Computação)
Diagnóstico diferencial
Dengue
Data mining
Classifier
Dengue
Chikungunya
Differential diagnosis
description De acordo com Ministério da Saúde (2017, p. 416), as doenças dengue e chikungunya podem apresentar sinais e sintomas clínicos muito semelhantes, porém os tratamentos relacionados a essas doenças podem ser diferentes em diversas situações. O controle epidemiológico se torna enviesado devido a vários casos de chikungunya serem tratados como dengue. O presente trabalho analisou a eficácia de algoritmos para o auxílio ao diagnóstico diferencial de dengue e chikungunya. Primeiramente, foi realizado um mapeamento do estado da arte sobre outros estudos relacionados ao tema de data mining aplicado a casos de dengue e chikungunya. Por fim, desenvolveu-se diversos tipos de classificadores para a comparação dos resultados, a partir da base de registros (COVIG) de pacientes diagnosticados em Niterói, Rj e dados climáticos do INMET. Este trabalho identificou que não há algoritmos já desenvolvidos para o diagnóstico diferencial de ambas as doenças e gerou um modelo de classificação de diagnóstico diferencial de dengue e chikungunya com uma acurácia de 88,51%. Os dados climáticos de 2 meses anteriores ao primeiro atendimento médico se apresentaram como os mais impactantes na eficácia do algoritmo. Os principais atributos atrelados a tal resultado são: Idade, Semana, ID do Bairro, Raça e Artralgia. Os conhecimentos adquiridos neste trabalho geram a oportunidade para que em trabalhos futuros seja criado um sistema que auxilie a tomada de decisão médica no diagnóstico diferencial de ambas as doenças e, consequentemente, que impacte positivamente na eficácia dos profissionais
publishDate 2018
dc.date.none.fl_str_mv 2018
2019-01-23T16:15:55Z
2019-01-23T16:15:55Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://app.uff.br/riuff/handle/1/8330
url https://app.uff.br/riuff/handle/1/8330
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1802135398127763456

Registros relacionados