Um modelo híbrido para apoio ao diagnóstico de diabetes

Detalhes bibliográficos
Autor(a) principal: Menezes, Andréa Carvalho
Data de Publicação: 2013
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UNIFOR
Texto Completo: https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/98150
Resumo: O Diabetes é um distúrbio metabólico que afeta mais de 371 milhões de pessoas no mundo e metade dessas pessoas desconhece sua própria condição. O número de pessoas com Diabetes continua a crescer, só em 2012, foram 4,8 milhões de mortes e 471 bilhões de dólares gastos. O diagnóstico precoce é imprescindível, pois associado ao tratamento adequado pode postergar o aparecimento de complicações crônicas, proporcionando melhores condições de vida aos pacientes e reduzindo o impacto social e econômico, trazendo ganhos substanciais no crescimento econômico dos países. O objetivo deste trabalho é propor um modelo híbrido para a criação de um Sistema Especialista, estruturado em regras de probabilidade, aplicando Redes Bayesianas, Metodologias Multicritério de Apoio à Decisão e representações de conhecimento estruturadas em regras de produção e probabilidade (Inteligência Artificial) para aprimoramento do processo de diagnóstico, com foco no diagnóstico de Diabetes tipo 2. Inicialmente foi realizado um mapeamento dos parâmetros para diagnosticar a doença e um levantamento das bases de dados disponíveis de Diabetes. Para identificar os parâmetros de maior impacto na definição do diagnóstico de Diabetes, aplicou-se a Metodologia Multicritério de Apoio à Decisão, através da aplicação do método MACBETH. Para tanto, foi desenvolvida uma ferramenta computacional a fim de cadastrar as bases de dados e gerar Redes Bayesianas, utilizando a API Netica-J, e Matrizes Juízo de Valor. A consistência das matrizes é verificada através da ferramenta Hiview e gerada a escala numérica de preferências. Para a construção do Sistema Especialista utilizou-se o Expert SINTA. O modelo proposto foi aplicado a uma base de dados canadense (Statistics Canada), com 4.611 diabéticos, e uma base de dados brasileira cedida pela empresa CAMED, com 1.222 diabéticos. Palavras-chave: Diabetes, diagnóstico precoce, Modelo híbrido, Multicritério, Redes Bayesianas, Sistema Especialista.
id UFOR_0a46e04efe54798b515f20596b54400e
oai_identifier_str oai::98150
network_acronym_str UFOR
network_name_str Biblioteca Digital de Teses e Dissertações da UNIFOR
repository_id_str
spelling Um modelo híbrido para apoio ao diagnóstico de diabetesAnálise multivariadaTomada de decisãoInteligência artificialDiabetes mellitusO Diabetes é um distúrbio metabólico que afeta mais de 371 milhões de pessoas no mundo e metade dessas pessoas desconhece sua própria condição. O número de pessoas com Diabetes continua a crescer, só em 2012, foram 4,8 milhões de mortes e 471 bilhões de dólares gastos. O diagnóstico precoce é imprescindível, pois associado ao tratamento adequado pode postergar o aparecimento de complicações crônicas, proporcionando melhores condições de vida aos pacientes e reduzindo o impacto social e econômico, trazendo ganhos substanciais no crescimento econômico dos países. O objetivo deste trabalho é propor um modelo híbrido para a criação de um Sistema Especialista, estruturado em regras de probabilidade, aplicando Redes Bayesianas, Metodologias Multicritério de Apoio à Decisão e representações de conhecimento estruturadas em regras de produção e probabilidade (Inteligência Artificial) para aprimoramento do processo de diagnóstico, com foco no diagnóstico de Diabetes tipo 2. Inicialmente foi realizado um mapeamento dos parâmetros para diagnosticar a doença e um levantamento das bases de dados disponíveis de Diabetes. Para identificar os parâmetros de maior impacto na definição do diagnóstico de Diabetes, aplicou-se a Metodologia Multicritério de Apoio à Decisão, através da aplicação do método MACBETH. Para tanto, foi desenvolvida uma ferramenta computacional a fim de cadastrar as bases de dados e gerar Redes Bayesianas, utilizando a API Netica-J, e Matrizes Juízo de Valor. A consistência das matrizes é verificada através da ferramenta Hiview e gerada a escala numérica de preferências. Para a construção do Sistema Especialista utilizou-se o Expert SINTA. O modelo proposto foi aplicado a uma base de dados canadense (Statistics Canada), com 4.611 diabéticos, e uma base de dados brasileira cedida pela empresa CAMED, com 1.222 diabéticos. Palavras-chave: Diabetes, diagnóstico precoce, Modelo híbrido, Multicritério, Redes Bayesianas, Sistema Especialista.Diabetes is a metabolic disorder that affects over 371 million people worldwide and half of these people don?t know their condition. The number of people with diabetes continues to grow, only in 2012, there were 4.8 million deaths and 471 billion dollars spent. The diagnosis when performed early is essential because associated with the correct treatment, may delay the onset of chronic complications, providing better living conditions for patients and reducing the social and economic impact, bringing substantial gains in economic growth of countries. The objective of this work is to propose a hybrid model to create an Expert System, structured in probability rules by applying Bayesian Networks, Multiple Criteria Decision Analysis and representation of knowledge structured in production rules and probability (Artificial Intelligence) to improve the diagnosis process, focusing on the diagnosis of type 2 diabetes. Initially we mapped the parameters for diagnosing the disease and conducted a survey of available data sets of diabetes. To identify the parameters of greatest impact in defining the diagnosis of diabetes, the Multiple Criteria Decision Analysis Methodology was applied, by applying the method MACBETH. Therefore, a computational tool has been developed to register the data set and automatically generate Bayesian Networks, using the Netica-J API, and matrices of judgements. The matrices consistency is checked by the software Hiview and generated the numerical scale of preferences. The Expert SINTA was used to construct the Expert System. The proposed model was applied to a Canadian dataset (Statistics Canada) with 4,611 diabetic patients and a Brazilian dataset provided by the company CAMED, with 1,222 diabetic patients. Keywords: Diabetes, early diagnosis, Hybrid Model, Multicriteria, Bayesian Network, Expert System.Pinheiro, Plácido RogérioPinheiro, Mirian Caliope DantasPinheiro, Plácido RogérioPinheiro, Mirian Caliope DantasThomaz, Antônio Clécio FontellesNepomuceno, Napoleão VieiraUniversidade de Fortaleza. Programa de Pós-Graduação em Informática AplicadaMenezes, Andréa Carvalho2013info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/98150https://uol.unifor.br/auth-sophia/exibicao/9825Disponibilidade forma física: Existe obra impressa de código : 90761porreponame:Biblioteca Digital de Teses e Dissertações da UNIFORinstname:Universidade de Fortaleza (UNIFOR)instacron:UNIFORinfo:eu-repo/semantics/openAccess1899-12-30T00:00:00Zoai::98150Biblioteca Digital de Teses e Dissertaçõeshttps://www.unifor.br/bdtdONGhttp://dspace.unifor.br/oai/requestbib@unifor.br||bib@unifor.bropendoar:1899-12-30T00:00Biblioteca Digital de Teses e Dissertações da UNIFOR - Universidade de Fortaleza (UNIFOR)false
dc.title.none.fl_str_mv Um modelo híbrido para apoio ao diagnóstico de diabetes
title Um modelo híbrido para apoio ao diagnóstico de diabetes
spellingShingle Um modelo híbrido para apoio ao diagnóstico de diabetes
Menezes, Andréa Carvalho
Análise multivariada
Tomada de decisão
Inteligência artificial
Diabetes mellitus
title_short Um modelo híbrido para apoio ao diagnóstico de diabetes
title_full Um modelo híbrido para apoio ao diagnóstico de diabetes
title_fullStr Um modelo híbrido para apoio ao diagnóstico de diabetes
title_full_unstemmed Um modelo híbrido para apoio ao diagnóstico de diabetes
title_sort Um modelo híbrido para apoio ao diagnóstico de diabetes
author Menezes, Andréa Carvalho
author_facet Menezes, Andréa Carvalho
author_role author
dc.contributor.none.fl_str_mv Pinheiro, Plácido Rogério
Pinheiro, Mirian Caliope Dantas
Pinheiro, Plácido Rogério
Pinheiro, Mirian Caliope Dantas
Thomaz, Antônio Clécio Fontelles
Nepomuceno, Napoleão Vieira
Universidade de Fortaleza. Programa de Pós-Graduação em Informática Aplicada
dc.contributor.author.fl_str_mv Menezes, Andréa Carvalho
dc.subject.por.fl_str_mv Análise multivariada
Tomada de decisão
Inteligência artificial
Diabetes mellitus
topic Análise multivariada
Tomada de decisão
Inteligência artificial
Diabetes mellitus
description O Diabetes é um distúrbio metabólico que afeta mais de 371 milhões de pessoas no mundo e metade dessas pessoas desconhece sua própria condição. O número de pessoas com Diabetes continua a crescer, só em 2012, foram 4,8 milhões de mortes e 471 bilhões de dólares gastos. O diagnóstico precoce é imprescindível, pois associado ao tratamento adequado pode postergar o aparecimento de complicações crônicas, proporcionando melhores condições de vida aos pacientes e reduzindo o impacto social e econômico, trazendo ganhos substanciais no crescimento econômico dos países. O objetivo deste trabalho é propor um modelo híbrido para a criação de um Sistema Especialista, estruturado em regras de probabilidade, aplicando Redes Bayesianas, Metodologias Multicritério de Apoio à Decisão e representações de conhecimento estruturadas em regras de produção e probabilidade (Inteligência Artificial) para aprimoramento do processo de diagnóstico, com foco no diagnóstico de Diabetes tipo 2. Inicialmente foi realizado um mapeamento dos parâmetros para diagnosticar a doença e um levantamento das bases de dados disponíveis de Diabetes. Para identificar os parâmetros de maior impacto na definição do diagnóstico de Diabetes, aplicou-se a Metodologia Multicritério de Apoio à Decisão, através da aplicação do método MACBETH. Para tanto, foi desenvolvida uma ferramenta computacional a fim de cadastrar as bases de dados e gerar Redes Bayesianas, utilizando a API Netica-J, e Matrizes Juízo de Valor. A consistência das matrizes é verificada através da ferramenta Hiview e gerada a escala numérica de preferências. Para a construção do Sistema Especialista utilizou-se o Expert SINTA. O modelo proposto foi aplicado a uma base de dados canadense (Statistics Canada), com 4.611 diabéticos, e uma base de dados brasileira cedida pela empresa CAMED, com 1.222 diabéticos. Palavras-chave: Diabetes, diagnóstico precoce, Modelo híbrido, Multicritério, Redes Bayesianas, Sistema Especialista.
publishDate 2013
dc.date.none.fl_str_mv 2013
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/98150
url https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/98150
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://uol.unifor.br/auth-sophia/exibicao/9825
Disponibilidade forma física: Existe obra impressa de código : 90761
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UNIFOR
instname:Universidade de Fortaleza (UNIFOR)
instacron:UNIFOR
instname_str Universidade de Fortaleza (UNIFOR)
instacron_str UNIFOR
institution UNIFOR
reponame_str Biblioteca Digital de Teses e Dissertações da UNIFOR
collection Biblioteca Digital de Teses e Dissertações da UNIFOR
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UNIFOR - Universidade de Fortaleza (UNIFOR)
repository.mail.fl_str_mv bib@unifor.br||bib@unifor.br
_version_ 1800408698042974208

Registros relacionados