Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar

Detalhes bibliográficos
Autor(a) principal: Guidolin, Marina Pereira das Neves
Data de Publicação: 2023
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/248650
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Ciências da Computação.
id UFSC_c8bdb96cbfbab4a375c48c5b75906c59
oai_identifier_str oai:repositorio.ufsc.br:123456789/248650
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolartranstorno do humor bipolaraprendizado de máquinamineração de dadosTCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Ciências da Computação.O Transtorno do Humor Bipolar (THB) é uma condição na qual o paciente apresenta oscilações de humor e alterações comportamentais repentinas. O diagnóstico é de extrema importância, pois possibilita que pacientes que sofrem com este transtorno possam buscar o tratamento adequado para uma qualidade de vida maior. O diagnóstico é feito por um profissional a partir da análise do perfil do paciente. Todavia, este processo envolve ana- lisar diversos sintomas e marcadores biológicos relacionados ao transtorno. Diagnosticar um paciente com THB depende de uma análise minuciosa de interações entre diversas características, o que torna este processo bastante complexo mesmo para especialistas. A literatura tem apontado o uso de ferramentas de inteligência artificial (IA) para au- xiliar no diagnóstico de doenças e transtornos, atingindo resultados satisfatórios para inúmeras aplicações. O objetivo do presente trabalho é desenvolver uma solução para identificação de THB e seus principais determinantes utilizando técnicas de aprendizado de máquina e mineração de dados. Inicialmente, os dados foram analisados utilizando diversas técnicas de visualização e sumarização, permitindo um entendimento melhor do tipo de informação presente nestes dados e sua relação com o diagnóstico de THB. O principal resultado desta etapa aponta que dentre os dados numéricos o atributo raiva é o que tem maior correlação com o THB, já entre os categóricos, o questionário I4E foi o que apresentou um maior percentual de ocorrências do THB para a resposta TOC atual. Em seguida, diferentes modelos foram treinados a partir de um banco de dados contendo pacientes já diagnosticados com THB e pacientes controle (não diagnosticados). Técnicas de ajuste de hiperparâmetros, regularização, balanceamento de dados e engenharia de atributos são adotadas com a finalidade gerar modelos com maior eficiência de predição. Os modelos foram testados com dados distintos daqueles utilizados no treino, utilizando a métrica F1-score como critério de desempenho. O melhor modelo foi obtido utilizando o GradientBoostingClassifier com técnicas de pré processamento, engenharia de atributos e balanceamento atingindo f1-score de 47,05% e acurácia de 83,12%. Este trabalho busca contribuir com profissionais de saúde mental, auxiliando estes especialistas a gerar um diagnóstico mais preciso.Florianópolis, SC.Grellert, MateusTyska, JônataUniversidade Federal de Santa Catarina.Guidolin, Marina Pereira das Neves2023-07-11T20:44:42Z2023-07-11T20:44:42Z23-07-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis73fapplication/pdfhttps://repositorio.ufsc.br/handle/123456789/248650Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2023-07-11T20:44:42Zoai:repositorio.ufsc.br:123456789/248650Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-07-11T20:44:42Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar
title Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar
spellingShingle Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar
Guidolin, Marina Pereira das Neves
transtorno do humor bipolar
aprendizado de máquina
mineração de dados
title_short Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar
title_full Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar
title_fullStr Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar
title_full_unstemmed Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar
title_sort Uso de técnicas de mineração de dados e aprendizado de máquina para identificação de casos suspeitos de transtorno do humor bipolar
author Guidolin, Marina Pereira das Neves
author_facet Guidolin, Marina Pereira das Neves
author_role author
dc.contributor.none.fl_str_mv Grellert, Mateus
Tyska, Jônata
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Guidolin, Marina Pereira das Neves
dc.subject.por.fl_str_mv transtorno do humor bipolar
aprendizado de máquina
mineração de dados
topic transtorno do humor bipolar
aprendizado de máquina
mineração de dados
description TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Ciências da Computação.
publishDate 2023
dc.date.none.fl_str_mv 2023-07-11T20:44:42Z
2023-07-11T20:44:42Z
23-07-07
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://repositorio.ufsc.br/handle/123456789/248650
url https://repositorio.ufsc.br/handle/123456789/248650
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Open Access.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Open Access.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 73f
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
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_ 1808652023839588352

Registros relacionados