Compartilhamento |
![]() ![]() |
Use este identificador para citar ou linkar para este item:
https://bdtd.unifal-mg.edu.br:8443/handle/tede/2589
Tipo do documento: | Dissertação |
Título: | Algoritmos de aprendizado de máquina aplicados na previsão clínica de pacientes com insuficiência cardíaca e uma revisão para dados limitados |
Autor: | ALVES, João Carlos Pereira ![]() |
Primeiro orientador: | FERREIRA, Eric Batista |
Primeiro coorientador: | CARVALHO, Iago Augusto de |
Primeiro membro da banca: | SOUZA, Anderson Luiz Ara |
Segundo membro da banca: | BEIJO, Luiz Alberto |
Terceiro membro da banca: | CARVALHO, Iago Augusto de |
Resumo: | O uso do aprendizado de máquina na área da saúde representa uma revolução significativa nos métodos de diagnóstico e tratamento de doenças. Essa tecnologia aproveita a capacidade computacional avançada para identificar padrões complexos em dados médicos. Essa abordagem representa significativo o potencial de melhorar substancialmente a eficiência dos diagnósticos relacionados a doenças graves como o caso da Insuficiência Cardíaca Congestiva. No entanto, enfrenta-se um desafio contínuo nesta área: a aplicação efetiva de aprendizado de máquina em cenários de escassez de dados, isto é, em situações onde as amostras disponíveis são limitadas. Este desafio estimula o estudo do aprendizado de máquina com pequenas amostras, uma abordagem que busca adaptar e otimizar os modelos de aprendizado de máquina para funcionar eficientemente mesmo com um número restrito de dados. Esta dissertação, composta por uma coleção de artigos, explora aplicações de algoritmos de aprendizado de máquina na previsão clínica de pacientes com Insuficiência Cardíaca e a revisão de técnicas de aprendizado de máquina em cenários de poucos dados. O primeiro artigo apresenta uma aplicação prática que utiliza modelos de aprendizado de máquina para prever a sobrevivência e o tempo de internamento de pacientes com Insuficiência Cardíaca Congestiva, com enfoque nas variáveis mais significativas associadas aos fatores de risco e os resultados destacam o potencial dos modelos de aprendizado de máquina na previsão de desfechos clínicos em pacientes com ICC. O segundo artigo realiza uma análise teórica, investigando a aplicabilidade e eficácia de técnicas de aprendizado de máquina em contextos caracterizados pela escassez de dados. Este estudo destaca a importância dos modelos de aprendizado de máquina, técnicas como a seleção de variáveis, e o uso de dados médicos no campo do aprendizado de máquina, com contribuições na área da saúde, onde decisões baseadas em dados podem ter impactos consideráveis na vida dos pacientes. |
Abstract: | The use of machine learning in the healthcare field represents a significant revolution in diagnostic and treatment methods for diseases. This technology harnesses advanced computational capability to identify complex patterns in medical data. This approach holds significant potential to substantially improve the efficiency of diagnoses related to serious illnesses such as Congestive Heart Failure. However, a continuous challenge in this area is the effective application of machine learning in data-scarce scenarios, i.e., situations where available samples are limited. This challenge stimulates the study of machine learning with small samples, an approach that seeks to adapt and optimize machine learning models to function efficiently even with a restricted number of data points. This dissertation, comprised of a collection of articles, explores applications of machine learning algorithms in the clinical prediction of patients with Heart Failure and reviews machine learning techniques in low-data scenarios. The first article presents a practical application using machine learning models to predict survival and hospitalization time for Congestive Heart Failure patients, focusing on the most significant variables associated with risk factors. The results highlight the potential of machine learning models in predicting clinical outcomes in patients with CHF. The second article conducts a theoretical analysis, investigating the applicability and effectiveness of machine learning techniques in contexts characterized by data scarcity. This study underscores the importance of machine learning models, techniques such as variable selection, and the use of medical data in the field of machine learning, with contributions to the healthcare sector, where data-driven decisions can have considerable impacts on patients' lives. |
Palavras-chave: | Classificadores Escassez de dados Few-shot learning Seleção de variáveis |
Área(s) do CNPq: | CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal de Alfenas |
Sigla da instituição: | UNIFAL-MG |
Departamento: | Pró-Reitoria de Pesquisa e Pós-Graduação |
Programa: | Programa de Pós-Graduação em Estatística Aplicada e Biometria |
Citação: | ALVES, João Carlos Pereira. Algoritmos de aprendizado de máquina aplicados na previsão clínica de pacientes com insuficiência cardíaca e uma revisão para dados limitados. 2024. 48 f. Dissertação (Mestrado em Estatística Aplicada e Biometria) - Universidade Federal de Alfenas, Alfenas, MG, 2024. |
Tipo de acesso: | Acesso Aberto |
URI: | https://bdtd.unifal-mg.edu.br:8443/handle/tede/2589 |
Data de defesa: | 8-Mar-2024 |
Aparece nas coleções: | Mestrado em Estatística Aplicada e Biometria |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertacao de João Carlos Pereira Alves.pdf | 26,91 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.