Base de dados : LILACS
Pesquisa : G17.035.250.500 [Categoria DeCS]
Referências encontradas : 25 [refinar]
Mostrando: 1 .. 10   no formato [Detalhado]

página 1 de 3 ir para página          

  1 / 25 LILACS  
              next record last record
seleciona
para imprimir
Fotocópia
Texto completo SciELO Brasil
Texto completo
Id: biblio-1055380
Autor: Atrey, Kushangi; Sharma, Yogesh; Bodhey, Narendra K; Singh, Bikesh Kumar.
Título: Breast Cancer Prediction Using Dominance-based Feature Filtering Approach: A Comparative Investigation in Machine Learning Archetype
Fonte: Braz. arch. biol. technol;62:e19180486, 2019. tab, graf.
Idioma: en.
Resumo: Abstract Breast cancer is the most commonly witnessed cancer amongst women around the world. Computer aided diagnosis (CAD) have been playing a significant role in early detection of breast tumors hence to curb the overall mortality rate. This work presents an enhanced empirical study of impact of dominance-based filtering approach on performances of various state-of-the-art classifiers. The feature dominance level is proportional to the difference in means of benign and malignant tumors. The experiments were done on original Wisconsin Breast Cancer Dataset (WBCD) with total nine features. It is found that the classifiers' performances for top 4 and top 5 dominant-based features are almost equivalent to performances for all nine features. Artificial neural network (ANN) is come forth as the best performing classifier among all with accuracies of 98.9% and 99.6% for top 4 and top 5 dominant features respectively. The error rate of ANN between all nine and top 4 &5 dominant features is less than 2% for four performance evaluation parameters namely sensitivity, specificity, accuracy and AUC. Thus, it can be stated that the dominance-based filtering approach is appropriate for selecting a sound set of features from the feature pool, consequently, helps to reduce computation time with no deterioration in classifier's performance.
Descritores: Neoplasias da Mama/diagnóstico por imagem
Diagnóstico por Computador/instrumentação
Aprendizado de Máquina
-Redes Neurais de Computação
Responsável: BR1.1 - BIREME


  2 / 25 LILACS  
              first record previous record next record last record
seleciona
para imprimir
Fotocópia
Texto completo SciELO Brasil
Texto completo
Id: biblio-1285562
Autor: Pedretti, André; Santini, Mariana; Scolimoski, Josnei; Queiroz, Mauro Henrique Brito de; Toshioka, Frank; Rocha Junior, Eloy de Paula; Pauli Júnior, Nelson de; Yomura, Marcio Takashi; Costa, Clayton Hilgemberg da; Guerra, Fabio Alessandro; Mulinari, Bruna Machado; Grando, Flavio Lori; Mumbelli, Joceleide Dalla Costa; Costa, Cláudio Inácio Almeida; Torres, Germano Lambert; Ramos, Milton Pires.
Título: Robotic Process Automation Extended with Artificial Intelligence Techniques in Power Distribution Utilities
Fonte: Braz. arch. biol. technol;64(spe):e21210217, 2021. tab, graf.
Idioma: en.
Projeto: Companhia Paranaense de Energia.
Resumo: Abstract Robotic Process Automation (RPA) is one of the several important techniques currently available for companies in search of performance improvement. The step forward in RPA is its association with Artificial Intelligence for more skilled robots. This scenario is not different in Power Distribution Utilities, in which a multitude of complex processes must be executed over different data sources. Making such situation even more complex, these processes are frequently regulated and subject to audit by external bodies. However, an old question remains: what should be robotized and what should be done by humans? This paper aims at partially answering the question in the context of data analysis tasks used for making decisions in complex processes. The research development is conducted based on an Artificial Intelligence methodology incorporated into one software robot (RPA) which acquires data automatically, treats and analyzes these data, helping the human professional take decisions in the process. It is applied to a real case process that is important for validating the research. Four approaches are tested in the data analysis, but only two are really used. The robot analyzes a series of information from an energy consumption meter. The detection of possible behavior deviations in the meter data is made by comparison with its data series. The robot is capable of prioritizing the detected occurrences in the energy consumption data, indicating to the human operator the most critical situations that require attention. The association of Artificial Intelligence and RPA is viable and can really apport important benefits to the company and teams, valuing human work and bringing more efficiency to the processes.
Descritores: Robótica/métodos
Inteligência Artificial
Abastecimento de Energia
-Consumo de Energia
Aprendizado de Máquina
Responsável: BR1.1 - BIREME


  3 / 25 LILACS  
              first record previous record next record last record
seleciona
para imprimir
Fotocópia
Texto completo
Texto completo
Id: biblio-1047206
Autor: Araújo-Filho, José e Arimatéia Batista; Pinto, Ibraim Masciarelli Francisco; Nomura, Cesar Higa.
Título: Inteligência artificial e diagnóstico por imagem - o futuro chegou? / Artificial intelligence and diagnostic imaging - has the future come?
Fonte: Rev. Soc. Cardiol. Estado de Säo Paulo;29(4):346-349, out.-dez. 2019. ilus.
Idioma: pt.
Resumo: Na nova era da Medicina de Precisão, a inteligência artificial (IA) - um conjunto de sistemas e programas que permitem às máquinas serem capazes de executar tarefas que habitual mente exigiriam a participação humana - emerge como ferramenta capaz de criar novas maneiras de analisar as imagens médicas além dos parâmetros morfológicos convencionais. Embora ainda não estejam completamente disponíveis para o uso clínico, essa nova abordagem tem grande potencial de aplicação na prática clínica e de pesquisa médica. A discussão dos conceitos básicos, potenciais aplicações e limitações das novas técnicas de IA no diagnóstico por imagem é importante para a interpretação adequada do potencial efeito que essa tecnologia teria na medicina, contrapondo-se à excessiva ansiedade despertada por abordagens superficiais e apressadas. Este artigo tem por objetivo apresentar uma visão equilibrada e atual sobre o tema, com especial foco no presente e no futuro da imagenologia cardíaca

In the new era of Precision Medicine, artificial intelligence (AI) - a set of systems and programs that enable machines to be able to perform cognitive tasks that would usually require human participation emerges as a tool that can create new ways of analyzing images beyond the conventional morphological parameters. Although not yet ready for clinical use, these tools have a potential effect on clinical and research practice. The discussion of the basic concepts, potential applications and limitations of new AI techniques in imaging diagnosis is important for a balanced interpretation of their results, as opposed to the excessive anxiety recently observed among professionals dealing with the subject. In this brief article, we aim to take a balanced and attentive look on this subject, with special focus on the horizon of modern cardiac imaging
Descritores: Inteligência Artificial
Diagnóstico por Imagem/métodos
-Informática Médica/métodos
Cardiologia
Medicina de Precisão/métodos
Aprendizado de Máquina
Aprendizado Profundo
Responsável: BR44.1 - Serviço de Biblioteca, Documentação Científica e Didática Prof. Dr. Luiz Venere Décourt


  4 / 25 LILACS  
              first record previous record next record last record
seleciona
para imprimir
Fotocópia
Texto completo SciELO Saúde Pública
Texto completo
Id: biblio-1280613
Autor: Fernandes, Fernando Timoteo; Chiavegatto Filho, Alexandre Dias Porto.
Título: Prediction of absenteeism in public schools teachers with machine learning / Predição de absenteísmo docente na rede pública com machine learning
Fonte: Rev. saúde pública (Online);55:23, 2021. tab, graf.
Idioma: en.
Resumo: ABSTRACT OBJECTIVE To predict the risk of absence from work due to morbidities of teachers working in early childhood education in the municipal public schools, using machine learning algorithms. METHODS This is a cross-sectional study using secondary, public and anonymous data from the Relação Anual de Informações Sociais, selecting early childhood education teachers who worked in the municipal public schools of the state of São Paulo between 2014 and 2018 (n = 174,294). Data on the average number of students per class and number of inhabitants in the municipality were also linked. The data were separated into training and testing, using records from 2014 to 2016 (n = 103,357) to train five predictive models, and data from 2017 to 2018 (n = 70,937) to test their performance in new data. The predictive performance of the algorithms was evaluated using the value of the area under the ROC curve (AUROC). RESULTS All five algorithms tested showed an area under the curve above 0.76. The algorithm with the best predictive performance (artificial neural networks) achieved 0.79 of area under the curve, with accuracy of 71.52%, sensitivity of 72.86%, specificity of 70.52%, and kappa of 0.427 in the test data. CONCLUSION It is possible to predict cases of sickness absence in teachers of public schools with machine learning using public data. The best algorithm showed a better result of the area under the curve when compared with the reference model (logistic regression). The algorithms can contribute to more assertive predictions in the public health and worker health areas, allowing to monitor and help prevent the absence of these workers due to morbidity.

RESUMO OBJETIVO Predizer o risco de ausência laboral decorrente de morbidades dos docentes que atuam na educação infantil na rede pública municipal, com o uso de algoritmos de machine learning. MÉTODOS Trata-se de um estudo transversal utilizando dados secundários, públicos e anônimos da Relação Anual de Informações Sociais, selecionando professores da educação infantil que atuaram na rede pública municipal do estado de São Paulo entre 2014 e 2018 (n = 174.294). Foram também vinculados dados da média de alunos por turma e número de habitantes no município. Os dados foram separados em treinamento e teste, utilizando os registros de 2014 a 2016 (n = 103.357) para treinar cinco modelos preditivos e os dados de 2017 a 2018 (n = 70.937) para testar seus desempenhos em dados novos. A performance preditiva dos algoritmos foi avaliada por meio do valor da área abaixo da curva ROC (AUROC). RESULTADOS Todos os cinco algoritmos testados apresentaram área abaixo da curva acima de 0,76. O algoritmo com melhor performance preditiva (redes neurais artificiais) obteve 0,79 de área abaixo da curva, com acurácia de 71,52%, sensibilidade de 72,86%, especificidade de 70,52% e kappa de 0,427 nos dados de teste. CONCLUSÃO É possível predizer casos de afastamentos por morbidade em docentes da rede pública com machine learning usando dados públicos. O melhor algoritmo apresentou melhor resultado da área abaixo da curva quando comparado ao modelo de referência (regressão logística). Os algoritmos podem contribuir para predições mais assertivas na área da saúde pública e da saúde do trabalhador, permitindo acompanhar e ajudar a prevenir afastamentos por morbidade desses trabalhadores.
Descritores: Absenteísmo
Aprendizado de Máquina
-Instituições Acadêmicas
Brasil
Estudos Transversais
Curva ROC
Limites: Humanos
Pré-Escolar
Responsável: BR1.1 - BIREME


  5 / 25 LILACS  
              first record previous record next record last record
seleciona
para imprimir
Fotocópia
Texto completo
Id: biblio-1224622
Autor: Cartes Velásquez, Ricardo.
Título: Machine learning and medical diagnosis
Fonte: Int. j. med. surg. sci. (Print);6(4):105-106, dic. 2019.
Idioma: en.
Descritores: Abscesso Peritonsilar/diagnóstico
Aprendizado de Máquina
Medicina
Tipo de Publ: Editorial
Responsável: CL61.1 - Biblioteca Central Campus Sur


  6 / 25 LILACS  
              first record previous record next record last record
seleciona
para imprimir
Fotocópia
Texto completo SciELO Brasil
Texto completo
Id: biblio-1130789
Autor: Faleiros, Matheus Calil; Nogueira-Barbosa, Marcello Henrique; Dalto, Vitor Faeda; Ferreira Júnior, José Raniery; Tenório, Ariane Priscilla Magalhães; Luppino-Assad, Rodrigo; Louzada Junior, Paulo; Rangayyan, Rangaraj Mandayam; Azevedo-Marques, Paulo Mazzoncini de.
Título: Machine learning techniques for computer-aided classification of active inflammatory sacroiliitis in magnetic resonance imaging
Fonte: Adv Rheumatol;60:25, 2020. tab, graf.
Idioma: en.
Projeto: CAPES; . FAPESP; . CNPq.
Resumo: Abstract Background: Currently, magnetic resonance imaging (MRI) is used to evaluate active inflammatory sacroiliitis related to axial spondyloarthritis (axSpA). The qualitative and semiquantitative diagnosis performed by expert radiologists and rheumatologists remains subject to significant intrapersonal and interpersonal variation. This encouraged us to use machine-learning methods for this task. Methods: In this retrospective study including 56 sacroiliac joint MRI exams, 24 patients had positive and 32 had negative findings for inflammatory sacroiliitis according to the ASAS group criteria. The dataset was randomly split with ∼ 80% (46 samples, 20 positive and 26 negative) as training and ∼ 20% as external test (10 samples, 4 positive and 6 negative). After manual segmentation of the images by a musculoskeletal radiologist, multiple features were extracted. The classifiers used were the Support Vector Machine, the Multilayer Perceptron (MLP), and the Instance-Based Algorithm, combined with the Relief and Wrapper methods for feature selection. Results: Based on 10-fold cross-validation using the training dataset, the MLP classifier obtained the best performance with sensitivity = 100%, specificity = 95.6% and accuracy = 84.7%, using 6 features selected by the Wrapper method. Using the test dataset (external validation) the same MLP classifier obtained sensitivity = 100%, specificity = 66.7% and accuracy = 80%. Conclusions: Our results show the potential of machine learning methods to identify SIJ subchondral bone marrow edema in axSpA patients and are promising to aid in the detection of active inflammatory sacroiliitis on MRI STIR sequences. Multilayer Perceptron (MLP) achieved the best results.(AU)
Descritores: Imageamento por Ressonância Magnética/instrumentação
Sacroileíte/diagnóstico por imagem
Aprendizado de Máquina
-Inteligência Artificial
Estudos Retrospectivos
Diagnóstico por Computador/instrumentação
Limites: Humanos
Responsável: BR1.1 - BIREME


  7 / 25 LILACS  
              first record previous record next record last record
seleciona
para imprimir
Fotocópia
Texto completo
Id: biblio-1179163
Autor: Teixeira, Bruno Casaes.
Título: Aglomerados espaciais de alta mortalidade por câncer no Brasil: uma abordagem de machine learning / Spatial clusters of cancer mortality in Brazil: a machine learning modelling approach.
Fonte: São Paulo; s.n; 2020. 77 p.
Idioma: pt.
Tese: Apresentada a Universidade de São Paulo. Faculdade de Saúde Pública para obtenção do grau de Mestre.
Resumo: Objetivos: Este estudo teve como objetivo avaliar se a mortalidade por câncer e seus subtipos pode ser prevista utilizando modelos de machine learning e dados socioeconômicos, demográficos e de cobertura de saúde como variáveis independentes. Adicionalmente buscou-se avaliar a associação geográfica dos resíduos destes modelos, ou seja, a porção de mortalidade não explicada por variáveis sociodemográficas e de saúde. Metodologia: Dados de mortalidade foram extraídos para os anos de 2008 a 2016 utilizando o Sistema de Informações de Mortalidade (SIM) e ajustados por idade utilizando a população padrão da Organização Mundial da Saúde (OMS). Variáveis sociodemográficas e de cobertura de saúde foram obtidas do Censo 2010 e do Ministério da Saúde do Brasil, respectivamente. Foram selecionados os algoritmos mais populares de machine learning para dados estruturados: random forest, extreme gradient boosting, polynomial support vectors machines e regressão lasso, treinados com 80% dos dados para predizer a taxa ajustada de mortalidade por câncer no nível municipal e sua performance foi testada com os restantes 20% das cidades. À partir dos resíduos, foram identificados os municípios com as taxas de mortalidade acima da esperada. Os aglomerados espaciais foram identificados utilizando a estatística de Kulldorff. Os testes foram repetidos para os dez tipos de câncer com maior mortalidade no Brasil no período avaliado. Resultados: Em geral, o algoritmo com maior R2 foi o gradient boosting trees (R2=0,66). Para o consolidado de todos os cânceres, todos os algoritmos apontaram a existência de um aglomerado espacial na região entre Bagé e Rio Grande (excesso de mortalidade de 27%) e três algoritmos identificaram aglomerados na região da cidade de Porto Velho (excesso entre 27% e 40%). Para câncer de esôfago, na região oeste do estado do Rio Grande do Sul foram identificados importantes aglomerados parcialmente sobrepostos por todos os algoritmos (excessos entre 48% e 96%), sendo que outros aglomerados importantes foram identificados no sul do Paraná, norte de Minas Gerais e Espírito Santo. Para câncer de estômago foi identificado um importante cluster na região de Macapá (excesso de 82%) e na região de Porto Velho (excesso de 85%). As variáveis com maior impacto na predição da mortalidade para todos os cânceres foram percentual de população branca, com uma contribuição positiva e linear, e percentual de casas com computador, com uma contribuição positiva e não linear. Conclusão: Algumas regiões geográficas brasileiras mostram taxas significativamente acima do esperado para mortalidade por câncer, independentemente de variáveis sociodemográficas. Análises adicionais poderão explorar a causalidade dessas diferenças geográficas.

Objectives: This study aimed to assess whether cancer mortality and its subtypes can be predicted using machine learning models and socioeconomic, demographic and health coverage as independent variables. Additionally, we sought to evaluate the geographical association of the residuals of these models; in other words, the portion of mortality not explained by sociodemographic and health variables. Methodology: Mortality data were extracted for the years 2008 to 2016 using the Mortality Information System (SIM) and adjusted for age using the standard population of the World Health Organization (WHO). Sociodemographic and health coverage variables were obtained from the 2010 Census and the Ministry of Health of Brazil, respectively. We selected some of the most popular machine learning algorithms for structured data: random forest, extreme gradient boosting, polynomial support vectors machines and lasso regression, trained with 80% of the data to predict the adjusted cancer mortality rate at the municipal level and their performance was tested with the other 20% of cities. From the residuals, municipalities with higher-than-expected mortality rates were identified. Spatial clusters were identified using Kulldorff statistics. The tests were repeated for the ten cancer types with the highest mortality in Brazil in the evaluated period. Results: In general, the algorithm with the highest R2 was the gradient boosting trees (R2 = 0.66). For the all cancers group, all algorithms pointed to the existence of a spatial cluster in the region between Bagé and Rio Grande (27% of excess mortality) and three algorithms identified clusters in the region of Porto Velho city (excess between 27% and 40%). For esophageal cancer, in the western region of the state of Rio Grande do Sul, important clusters were partially overlapped by all algorithms (excesses between 48% and 96%). Other important clusters were identified in southern Paraná, northern Minas Gerais, and Espírito Santo. For stomach cancer, an important cluster was identified in the Macapá region (82% excess) and in the Porto Velho region (85% excess). The variables with the greatest impact on the mortality prediction for the all cancers group were the percentage of the white population, with a positive and linear contribution, and the percentage of houses with computers, with a positive and non-linear contribution. Conclusion: Some Brazilian geographic regions show significantly higher than expected rates for cancer mortality, regardless of sociodemographic variables. Additional analyzes may explore the causality of these geographical differences.
Descritores: Epidemiologia
Análise Espacial
Aprendizado de Máquina
Neoplasias/mortalidade
Responsável: BR67.1 - CIR - Biblioteca - Centro de Informação e Referência


  8 / 25 LILACS  
              first record previous record next record last record
seleciona
para imprimir
Fotocópia
Texto completo
Id: biblio-1178443
Autor: Silva, Vanderlei Carneiro da.
Título: Aplicação de algoritmos de machine learning na avaliação do consumo alimentar: resultados da linha de base do Estudo Longitudinal de Saúde do Adulto (ELSA-Brasil) / Application of machine learning algorithms in the assessment of food consumption: baseline results from the Brazilian Longitudinal Study of Adult Health (ELSA-Brasil).
Fonte: São Paulo; s.n; 2021. 176 p.
Idioma: pt.
Tese: Apresentada a Universidade de São Paulo. Faculdade de Saúde Pública para obtenção do grau de Doutor.
Resumo: Introdução: A avaliação do consumo alimentar permite gerar conhecimento sobre a alimentação de indivíduos e populações, além de identificar os determinantes e tendências no consumo. Com ela é possível planejar ações, orientar serviços e implementar políticas públicas de saúde adequadas as necessidades da população. Com o apoio da tecnologia é possível automatizar algumas etapas do processo de análise de dados, com redução do tempo e recursos necessários, especialmente em grandes grupos. Entretanto, em países como o Brasil, ainda são escassas as aplicações de algoritmos de machine learning na avaliação da dieta. Objetivo: Aplicar algoritmos de machine learning na avaliação do consumo alimentar de servidores públicos em um grande estudo brasileiro. Métodos: Este estudo analisou transversalmente os dados da linha de base do Estudo Longitudinal de Saúde do Adulto (ELSA-Brasil). A partir destes dados, para explorar e classificar padrões alimentares, foi utilizado o algoritmo de cluster - K-Means. Na sequência, quatro algoritmos preditivos - Support Vector Machines (SVM), Decision Trees (DT), Naïve Bayes (NB), K-Nearest Neighbours (Knn) - foram aplicados incluindo variáveis demográficas, socioeconômicas e clínicas para predizer padrões alimentares. Adicionalmente, Sistemas de Recomendações foram construídos com algoritmos de Filtragem Colaborativa Baseada em Usuário e Itens (UBCF / IBCF) para o aconselhamento personalizado de dieta. As análises foram realizadas com a utilização do ambiente R. Resultados: Dois padrões alimentares foram derivados na amostra. O primeiro padrão, rotulado como "Padrão Ocidental", no qual os participantes apresentaram ingestões médias superiores para cereais refinados, feijões, carnes vermelhas e processadas, leite e produtos lácteos com alto teor de gorduras e bebidas adoçadas, quando comparados aqueles incluídos no outro padrão. O segundo padrão, rotulado como "Padrão Prudente", os participantes apresentaram consumo superior de frutas, vegetais, cereais integrais, aves, peixes, leite e produtos lácteos com redução de gorduras. Para a construção dos Sistemas de Recomendações foi fixado o limite de cinco itens, por participante, para evitar recomendações extensas e inespecíficas sobre a dieta (precisão entre 90% [IBCF] e 91% [UBCF]). Conclusão: Através da aplicação de algoritmos de machine learning foi possível realizar a análise de dados sobre o consumo, predizer padrões e personalizar recomendações sobre a dieta. Com o apoio das técnicas utilizadas, é possível subsidiar profissionais na gestão e no planejamento de ações de educação alimentar e nutricional personalizadas.

Introduction: The evaluation of food consumption allows generating knowledge about the diet of individuals and populations, in addition to identifying the determinants and trends in consumption. With it is possible to plan actions, guide services and implement public health policies appropriate to the needs of the population. With the support of technology, it is possible to automate some stages of the data analysis process, reducing the time and resources needed, especially in large groups. However, in countries like Brazil, the applications of machine learning algorithms in diet assessment are still scarce. Objective: Apply machine learning algorithms in the evaluation of food consumption by public servants in a large Brazilian study. Methods: This study cross-sectionally analyzed the baseline data from the Brazilian Longitudinal Study of Adult Health (ELSA-Brasil). From these data, to explore and classify dietary patterns, the cluster algorithm K-Means was used. Next, four predictive algorithms - Support Vector Machines (SVM), Decision Trees (DT), Naïve Bayes (NB), K-Nearest Neighbors (Knn) - were applied including demographic, socioeconomic and clinical variables to predict dietary patterns. Additionally, Recommendation Systems were built with User- and Items-Based Collaborative Filtering algorithms (UBCF / IBCF) for personalized diet advice. The analyzes were performed using the environment R. Results: Two dietary patterns were derived in the sample. The first pattern, labeled as "Western Pattern", in which the participants had higher average intakes for refined cereals, beans, red and processed meats, milk and dairy products with a high fat content and sweetened drinks, when compared to those included in the other pattern. The second pattern, labeled "Prudent Pattern", participants showed a higher consumption of fruits, vegetables, whole grains, poultry, fish, milk and dairy products with reduced fats. For the construction of the Recommender Systems, a limit of five items was set, per participant, to avoid extensive and unspecific recommendations on the diet (accuracy between 90% [IBCF] and 91% [UBCF]). Conclusion: Through the application of machine learning algorithms, it was possible to perform data analysis on consumption, predict patterns and personalize diet recommendations. With the support of the techniques used, it is possible to subsidize professionals in the management and planning of personalized food and nutrition education actions.
Descritores: Dieta
Epidemiologia Nutricional
Comportamento Alimentar
Aprendizado de Máquina
Análise de Dados
-Análise por Conglomerados
Responsável: BR67.1 - CIR - Biblioteca - Centro de Informação e Referência


  9 / 25 LILACS  
              first record previous record next record last record
seleciona
para imprimir
Fotocópia
Texto completo SciELO Brasil
Texto completo
Id: biblio-1142372
Autor: Ek, Ziya; Çakirolu, Murat; Öz, Cemil; Aralamak, Ayse; Karadel, Hasan Hüseyin; Özcan, Muhammed Emin.
Título: Differentiation of relapsing-remitting and secondary progressive multiple sclerosis: a magnetic resonance spectroscopy study based on machine learning / Diferenciação de esclerose múltipla recorrente-remitente e progressiva secundária: um estudo de ressonância magnética com espectroscopia baseado em aprendizado de máquina
Fonte: Arq. neuropsiquiatr;78(12):789-796, Dec. 2020. tab, graf.
Idioma: en.
Projeto: Sakarya University BAPK.
Resumo: ABSTRACT Introduction: Magnetic resonance imaging (MRI) is the most important tool for diagnosis and follow-up in multiple sclerosis (MS). The discrimination of relapsing-remitting MS (RRMS) from secondary progressive MS (SPMS) is clinically difficult, and developing the proposal presented in this study would contribute to the process. Objective: This study aimed to ensure the automatic classification of healthy controls, RRMS, and SPMS by using MR spectroscopy and machine learning methods. Methods: MR spectroscopy (MRS) was performed on a total of 91 participants, distributed into healthy controls (n=30), RRMS (n=36), and SPMS (n=25). Firstly, MRS metabolites were identified using signal processing techniques. Secondly, feature extraction was performed based on MRS Spectra. N-acetylaspartate (NAA) was the most significant metabolite in differentiating MS types. Lastly, binary classifications (healthy controls-RRMS and RRMS-SPMS) were carried out according to features obtained by the Support Vector Machine algorithm. Results: RRMS cases were differentiated from healthy controls with 85% accuracy, 90.91% sensitivity, and 77.78% specificity. RRMS and SPMS were classified with 83.33% accuracy, 81.81% sensitivity, and 85.71% specificity. Conclusions: A combined analysis of MRS and computer-aided diagnosis may be useful as a complementary imaging technique to determine MS types.

RESUMO Introdução: A ressonância magnética é a ferramenta mais importante para o diagnóstico e acompanhamento na EM. A transição da EM recorrente-remitente (EMRR) para a EM progressiva secundária (EMPS) é clinicamente difícil e seria importante desenvolver a proposta apresentada neste estudo a fim de contribuir com o processo. Objetivo: o objetivo deste estudo foi garantir a classificação automática de grupo controle saudável, EMRR e EMPS usando a RM com espectroscopia e métodos de aprendizado de máquina. Métodos: Os exames de RM com espectroscopia foram realizados em um total de 91 amostras com grupo controle saudável (n=30), EMRR (n=36) e EMPS (n=25). Em primeiro lugar, os metabólitos da RM com espectroscopia foram identificados usando técnicas de processamento de sinal. Em segundo lugar, a extração de recursos foi realizada a partir do MRS Spectra. O NAA foi determinado como o metabólito mais significativo na diferenciação dos tipos de MS. Por fim, as classificações binárias (Healthy Control Group-RRMS e RRMS-SPMS) foram realizadas de acordo com as características obtidas por meio do algoritmo Support Vector Machine. Resultados: Os casos de EMRR e do grupo de controle saudável foram diferenciados entre si com 85% de acerto, 90,91% de sensibilidade e 77,78% de especificidade, respectivamente. A EMRR e a EMPS foram classificadas com 83,33% de acurácia, 81,81% de sensibilidade e 85,71% de especificidade, respectivamente. Conclusões: Uma análise combinada de RM com espectroscopia e abordagem de diagnóstico auxiliado por computador pode ser útil como uma técnica de imagem complementar na determinação dos tipos de EM.
Descritores: Esclerose Múltipla Crônica Progressiva/diagnóstico por imagem
Esclerose Múltipla Recidivante-Remitente/diagnóstico por imagem
Esclerose Múltipla
-Imageamento por Ressonância Magnética
Espectroscopia de Ressonância Magnética
Aprendizado de Máquina
Limites: Humanos
Tipo de Publ: Research Support, Non-U.S. Gov't
Responsável: BR1.1 - BIREME


  10 / 25 LILACS  
              first record previous record
seleciona
para imprimir
Fotocópia
Texto completo
Id: biblio-1145850
Autor: Santos, Joana Raquel Raposo dos.
Título: Ciência de dados e politicas públicas de saúde: exemplos práticos / Data science and public policies: pratical examples of application.
Fonte: São Paulo; s.n; 2020. 69 p.
Idioma: pt.
Tese: Apresentada a Universidade de São Paulo. Faculdade de Saúde Pública para obtenção do grau de Doutor.
Resumo: Introdução: A ciência de dados é uma área do conhecimento impulsionada pela mudança do atual paradigma tecnológico e cientifico, que decorre do aumento do volume de dados, tipo, acesso, armazenamento e desenvolvimento computacional e tecnológico. Esse conhecimento tem permitido importantes avanços em vários setores, mas a contribuição da ciência de dados para as políticas públicas em saúde ainda encontra-se pouco explorada. Objetivo: Analisar se técnicas de ciência de dados, como algoritmos preditivos de inteligência artificial (machine learning), técnicas de clusterização de individuos e métodos causais para estudos observacionais podem contribuir para a área das políticas de saúde, identificando grupos-alvo para os quais programas e campanhas possam ser direcionados, permitindo uma alocação mais eficiente de recursos e contribuindo para a elaboração de medidas que auxiliem no desenho e avaliação de políticas públicas de saúde. Métodos: Foram utilizados dados do Departamento de Informática do Sistema Único de Saúde do Brasil (DATASUS) para caracterização sociodemográfica dos municípios brasileiros, e do Inquérito Nacional de Saúde de Portugal de 2014 para caracterizar a população residente em Portugal. Para a análise preditiva foram utilizados alguns dos algoritmos mais populares de machine learning, como regressão logística penalizada, random forest, gradient boosting trees e análises de agrupamento com componentes principais. Para a avaliação de um programa público de saúde (Mais Médicos) foram utilizados escores de propensão (propensity score) com pareamento. Resultados: Foram escritos um total de três artigos científicos, sendo que dois foram publicados e um encontra-se em revisão. O primeiro foi publicado na International Journal of Public Health, e trata-se de uma avaliação do Mais Médicos com métodos de escore de propensão. O escore permitiu um pareamento entre unidades municipais (n = 395) com uma boa performance, em que 86 das 97 covariáveis apresentaram um bom balanceamento (medido pela diferença média padronizada, inferior a 25%). O segundo artigo foi publicado na Health Policy and Technology e realizou uma análise de agrupamento de componentes principais para identificar grupos homogêneos entre indivíduos sem plano privado de saúde (n = 12.134). Foram identificados três agrupamentos de indivíduos (indivíduos de meia idade profissionalmente ativos, indivíduos envelhecidos com práticas saudáveis e aqueles psicologicamente vulneráveis), o que pode auxiliar na elaboração de políticas públicas direcionadas. O terceiro artigo encontra-se atualmente em avaliação e realizou uma análise preditiva de inteligência artificial (machine learning) para ausência laboral por motivos de doença com uma amostra populacional do Inquérito Nacional de Saúde (n=6.249), obtendo uma AUC de 0,67 pelo algoritmo de random forest. Conclusão: A ciência de dados pode ter um papel importante na melhoria da evidência em políticas públicas, especialmente no caso de superar dificuldades de abordagens mais tradicionais, como no estabelecimento de contrafactuais em estudos quase experimentais e por meio da realização de análises preditivas de machine learning para a alocação prioritária de recursos.

Introduction: Data science is an area of knowledge that has followed the growth of a new technological and scientific paradigm. It results directly from the increase in the volume of data, type, access, storage and from the computational and technological development. This knowledge has allowed important advances in several areas, but the contribution of data science to public health policies is still scarcely explored. Objective: To analyze whether the use of data science tools can contribute to improve health policies. In particular, we will identify target groups (using supervised or unsupervised approaches) for which programs and campaigns can be directed, thus contributing to a more efficient allocation of resources and provide evidence that support the design and evaluation of public health programs. Methods: We used two different data sources: first, data from the Department of Informatics of the Brazilian Health System of Brasil (DATASUS) was collected to gather information regarding the sociodemographic profile of Brazilian municipalities; and second, the National Health Survey of Portugal in 2014 to gather data regarding Portuguese population. For the statistical analysis, the following algorithms were used: logistic regression, random forest, gradient boosting trees and a cluster analysis in the principal components. To evaluate a large Brazilian health program (Mais Médicos), we applied propensity score matching, and the score was estimated using logistic regression. Results: A total of three scientific articles were written. The first was published at the International Journal of Public Health and evaluated the causal effect of the Mais Médicos program. The score resulted in a successful pairing between municipalities (n = 395) of which 86 of the 97 covariates presented good balance (measured by a standardized mean difference lower than 25%). The second was published in Health Policy and Technology and aimed at identifying homogeneous groups among those who did not have a private health plan (n = 12.134). We used a cluster analysis with principal components and found three groups of individuals: professionally active middle aged individuals, healthy elderly individuals, and those psychologically vulnerable. The third article performed a predictive analysis to identify in advance individuals who are more prone to be absent from work due to illness. We used the National Health Survey (n = 6.249) and a random forest model with an area under the ROC curve of 0.67. Conclusion: Data science can play an important role in improving evidence in public policies, namely to overcome difficulties that more traditional approaches are not able to address efficiently. In particular, it can be helpful ine establishing counterfactuals in quasi-experimental studies and performing predictive analyzes for priority allocation of resources.
Descritores: Política de Saúde
Aprendizado de Máquina
Ciência de Dados
Responsável: BR67.1 - CIR - Biblioteca - Centro de Informação e Referência



página 1 de 3 ir para página          
   


Refinar a pesquisa
  Base de dados : Formulário avançado   

    Pesquisar no campo  
1  
2
3
 
           



Search engine: iAH v2.6 powered by WWWISIS

BIREME/OPAS/OMS - Centro Latino-Americano e do Caribe de Informação em Ciências da Saúde