Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito

Detalhes bibliográficos
Autor(a) principal: Zatt, Fernanda Pretto
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/251470
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Programa de Pós-Graduação em Odontologia, Florianópolis, 2023.
id UFSC_51c6d5cdfe8f7bd1551c9844a79f6f5e
oai_identifier_str oai:repositorio.ufsc.br:123456789/251470
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceitoOdontologiaAprendizado do computadorArticulação temporomandibularInteligência artificialDiagnósticoDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Programa de Pós-Graduação em Odontologia, Florianópolis, 2023.O interesse mundial no uso da inteligência artificial está crescendo rapidamentedevido aos avanços substanciais na capacidade de computação e novos algoritmos de aprendizagem. Estes recursospodem trazer maior precisão diagnóstica, respostas mais rápidas e melhores resultadosna assistência ao indivíduo. Este projeto teve por objetivo criar um modelo de aprendizado de máquina (machinelearning)que auxiliem na detecção e classificaçãode disfunções temporomandibulares (DTM) usando para dados sistematizados. A etapa de machine learning foi por meiodo método de árvore de decisão,onde foiutilizada programação em linguagem Python/Scikit-Learn. Para a construção do modelo, foiutilizado o conjunto de dados de prontuáriosdo acervo de prontuários clínicos do Centro Multidisciplinar de Dor Orofacial (CEMDOR) da Universidade Federal de Santa Catarina. Cada conjunto de dados possuía uma quantidade padronizada de informações básicas e dimensões para cada informação. Os diagnósticosde DTMforamclassificados de acordo coma Classificação Internacional de Dor Orofacial (ICOP). Foram realizados dois experimentos independentes utilizando árvores de decisão para classificar dores miofasciais e dores articulares. Ambos os experimentos utilizaram as mesmas métricas para avaliar o desempenho dos modelos. Obteve-se acurácia de 78% para dores miofasciais e83% para dores articulares. O desempenho dos modelos foi avaliado através de matriz de confusão e métricas adicionais para entendimento do funcionamento da árvore. Concluiu-se que essa a utilização de árvore de decisão por machine learningapresenta potencial relevante para auxílio no diagnóstico clínico das DTM.Abstract: Worldwide interest in the use of artificial intelligence is growing rapidly due to substantial advances in computing power and new learning algorithms. These resources can bring greater diagnostic accuracy, faster responses, and improved outcomes in assisting the individual. This project aimed to create a machine learning model to aid in the detection and classification of temporomandibular dysfunctions (TMD) using for systematized data. The machine learning step was through the decision tree method, where Python/Scikit-Learn language programming wasused. To build the model, the dataset of medical records from the Clinical Records collection of the Multidisciplinary Center for Orofacial Pain (CEMDOR) at the Federal University of Santa Catarina was used. Each dataset had a standardized amount of basicinformation and dimensions for each piece of information. TMD diagnoses were classified according to the International Classification of Orofacial Pain (ICOP). Two independent experiments were conducted using decision trees to classify myofascial pain andjoint pain. Both experiments used the same metrics to evaluate model performance. Accuracy was 78% for myofascial pain and 83% for joint pain.The performance of the models was evaluated through a confusion matrix and additional metrics for understanding how the decision tree works.It was concluded that the use of machine learning decision trees has a relevant potential to aid in the clinical diagnosis of TMD.Caldas, Ricardo ArminiUniversidade Federal de Santa CatarinaZatt, Fernanda Pretto2023-10-17T23:21:11Z2023-10-17T23:21:11Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis85 p.| il., gráfs.application/pdf384043https://repositorio.ufsc.br/handle/123456789/251470porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-10-17T23:21:11Zoai:repositorio.ufsc.br:123456789/251470Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-10-17T23:21:11Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito
title Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito
spellingShingle Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito
Zatt, Fernanda Pretto
Odontologia
Aprendizado do computador
Articulação temporomandibular
Inteligência artificial
Diagnóstico
title_short Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito
title_full Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito
title_fullStr Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito
title_full_unstemmed Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito
title_sort Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito
author Zatt, Fernanda Pretto
author_facet Zatt, Fernanda Pretto
author_role author
dc.contributor.none.fl_str_mv Caldas, Ricardo Armini
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Zatt, Fernanda Pretto
dc.subject.por.fl_str_mv Odontologia
Aprendizado do computador
Articulação temporomandibular
Inteligência artificial
Diagnóstico
topic Odontologia
Aprendizado do computador
Articulação temporomandibular
Inteligência artificial
Diagnóstico
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Programa de Pós-Graduação em Odontologia, Florianópolis, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-10-17T23:21:11Z
2023-10-17T23:21:11Z
2023
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 384043
https://repositorio.ufsc.br/handle/123456789/251470
identifier_str_mv 384043
url https://repositorio.ufsc.br/handle/123456789/251470
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 85 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652197416665088

Registros relacionados