Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido

Detalhes bibliográficos
Autor(a) principal: Pereira, Felipe Martins
Data de Publicação: 2021
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/234909
Resumo: Low birth weight (LBW) is a condition that impacts a considerable portion of the world population and can influence the onset of diseases during adulthood, in addition to being associated with neonatal mortality. The concept of LBW is presented by WHO as children who were born weighing less than 2500g and is associated with the child’s family’s condition of life. The Sistema Único de Saúde (SUS) collects a set of information at the time of the child’s birth and consolidates in the SINASC system, information that is related to the child’s condition and family characteristics. With this information, it is possible to develop a model using data science techniques and artificial neural networks to find a correlation of these data to LBW and to enable better prenatal care to reduce the incidence of the condition in children. The artificial neural network constructed was through the Keras library, consisting of five layers and which demonstrated good results in relation to the classification of low weight, demonstrating a correlation of the SINASC data with the weight of the newborn
id UNSP_6e476ddeac66547766c4aa671870839c
oai_identifier_str oai:repositorio.unesp.br:11449/234909
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascidoStudy using Machine Learning of the relationship of the data collected by SINASC and the weight of the newbornLow birth weightData ScienceArtificial IntelligenceArtificial neural networksSINASC dataBaixo Peso ao NascerCiência de DadosInteligência ArtificialRedes Neurais ArtificiaisDados do SINASCLow birth weight (LBW) is a condition that impacts a considerable portion of the world population and can influence the onset of diseases during adulthood, in addition to being associated with neonatal mortality. The concept of LBW is presented by WHO as children who were born weighing less than 2500g and is associated with the child’s family’s condition of life. The Sistema Único de Saúde (SUS) collects a set of information at the time of the child’s birth and consolidates in the SINASC system, information that is related to the child’s condition and family characteristics. With this information, it is possible to develop a model using data science techniques and artificial neural networks to find a correlation of these data to LBW and to enable better prenatal care to reduce the incidence of the condition in children. The artificial neural network constructed was through the Keras library, consisting of five layers and which demonstrated good results in relation to the classification of low weight, demonstrating a correlation of the SINASC data with the weight of the newbornO baixo peso ao nascer (BPN) é uma condição que impacta uma parcela considerável da população mundial e pode influenciar o surgimento de doenças durante a vida adulta, além de estar associado com a mortalidade neonatal. O conceito de BPN é apresentado pela OMS como crianças que nasceram com um peso inferior a 2500g e está associado a condição de vida da família da criança. O Sistema Único de Saúde (SUS) realiza a coleta de um conjunto de informações no momento do nascimento da criança e consolida no sistema SINASC, informações que estão relacionadas a condição da criança e a características da família. Com essas informações é possível desenvolver um modelo com o uso de técnicas de ciência de dados e de redes neurais artificiais para encontrar uma correlação desses dados ao BPN e possibilitar um melhor acompanhamento pré-natal para diminuir a incidência da condição nas crianças. A rede neural artificial construída foi por meio da biblioteca Keras, constituída de cinco camadas e que demonstrou bons resultados na em relação a classificação de baixo peso, demonstrando uma correlação dos dados do SINASC com o peso do recém nascidoNão recebi financiamentoUniversidade Estadual Paulista (Unesp)Sampaio, Daniel Julien Barros da Silva [UNESP]Universidade Estadual Paulista (Unesp)Pereira, Felipe Martins2022-05-25T20:09:18Z2022-05-25T20:09:18Z2021-03-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://hdl.handle.net/11449/234909porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-12-17T06:19:21Zoai:repositorio.unesp.br:11449/234909Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T20:33:26.068906Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
Study using Machine Learning of the relationship of the data collected by SINASC and the weight of the newborn
title Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
spellingShingle Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
Pereira, Felipe Martins
Low birth weight
Data Science
Artificial Intelligence
Artificial neural networks
SINASC data
Baixo Peso ao Nascer
Ciência de Dados
Inteligência Artificial
Redes Neurais Artificiais
Dados do SINASC
title_short Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
title_full Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
title_fullStr Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
title_full_unstemmed Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
title_sort Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
author Pereira, Felipe Martins
author_facet Pereira, Felipe Martins
author_role author
dc.contributor.none.fl_str_mv Sampaio, Daniel Julien Barros da Silva [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Pereira, Felipe Martins
dc.subject.por.fl_str_mv Low birth weight
Data Science
Artificial Intelligence
Artificial neural networks
SINASC data
Baixo Peso ao Nascer
Ciência de Dados
Inteligência Artificial
Redes Neurais Artificiais
Dados do SINASC
topic Low birth weight
Data Science
Artificial Intelligence
Artificial neural networks
SINASC data
Baixo Peso ao Nascer
Ciência de Dados
Inteligência Artificial
Redes Neurais Artificiais
Dados do SINASC
description Low birth weight (LBW) is a condition that impacts a considerable portion of the world population and can influence the onset of diseases during adulthood, in addition to being associated with neonatal mortality. The concept of LBW is presented by WHO as children who were born weighing less than 2500g and is associated with the child’s family’s condition of life. The Sistema Único de Saúde (SUS) collects a set of information at the time of the child’s birth and consolidates in the SINASC system, information that is related to the child’s condition and family characteristics. With this information, it is possible to develop a model using data science techniques and artificial neural networks to find a correlation of these data to LBW and to enable better prenatal care to reduce the incidence of the condition in children. The artificial neural network constructed was through the Keras library, consisting of five layers and which demonstrated good results in relation to the classification of low weight, demonstrating a correlation of the SINASC data with the weight of the newborn
publishDate 2021
dc.date.none.fl_str_mv 2021-03-12
2022-05-25T20:09:18Z
2022-05-25T20:09:18Z
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 http://hdl.handle.net/11449/234909
url http://hdl.handle.net/11449/234909
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 application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1808129220261445632

Registros relacionados