Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/60257| Tipo: | Tese |
| Título : | Smart-GISSA : um Sistema para Governança em Saúde Digital Baseado em Aprendizado de Máquina |
| Autor : | Costa Filho, Raimundo Valter |
| Tutor: | Souza, José Neuman de |
| Palabras clave : | sistemas de saúde. mineração de dados. aprendizado de máquina. medição de risco. epidemias.;Mineração de dados;Aprendizado de máquina;Medição de risco;Epidemias |
| Fecha de publicación : | 2021 |
| Citación : | COSTA FILHO, Raimundo Valter. Smart-GISSA: um sistema para governança em saúde digital baseado em aprendizado de máquina. 2021. 140 f. Tese (Doutorado em Engenharia de Teleinformática) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-Graduação em Engenharia de Teleinformática, Fortaleza, 2021. |
| Resumen en portugués brasileño: | A tomada de decisão utilizando mecanismos de Aprendizado de Máquina pode incorrer na melhoria considerável do sistema público de saúde. Por exemplo, as predições que permitem aos gestores a adoção de medidas preventivas, mitigando, quando não evitando, surtos de doenças clássicas. O sistema Governança Inteligente em Serviços de Saúde (GISSA) extrai, transforma e carrega os dados em dashboards, a partir de bases do Ministério da Saúde, para a tomada de decisão. O GISSA, que foi implementado pelo Instituto Atlântico, com o suporte da FINEP, continua em desenvolvimento por pesquisadores da UFC, Fiocruz e IFCE e está operacional em vários municípios no Brasil. Nesse contexto, este trabalho apresenta o Smart-GISSA , um sistema para governança em Saúde Digital baseado em Aprendizado de Máquina, que é uma evolução do modelo arquitetural GISSA. O Smart-GISSA obedece ao modelo de arquitetura em camadas seguindo a cadeia desde a captação até a disponibilização em bases de dados para propiciar o surgimento de aplicações em Aprendizado de Máquina. Esta pesquisa descreve novas funcionalidades agregadas ao GISSA a partir da análise dessa primeira solução construída, utilizando técnicas de ontologias e linked data, propondo uma nova arquitetura mais eficaz, eficiente e efetiva em governança de saúde. São propostas duas novas metodologias de Mineração de Dados com foco em análise de risco de morte e em vigilância epidemiológica para previsão de epidemias. Como primeiro estudo de caso, para melhor ilustrar a adoção das práticas preconizadas pela metodologia, são construídos e validados dois modelos para análise de risco de morte, um materno e outro infantil, úteis na identificação de gestações de risco acompanhadas por equipes de saúde da família. Os analisadores de risco materno e infantil demonstram capacidade de alertar risco de falecimento em 97.50% dos casos, considerando 15 atributos, e 99.82% dos casos, considerando 27 atributos, respectivamente. Para o segundo estudo de caso é construído um modelo de predição de epidemias de dengue para a cidade de Fortaleza, CE, inferindo o número de casos de infecção na região metropolitana. Os resultados evidenciam que é possível detectar a tendência do número de novas infecções com um horizonte de previsão de 15 semanas. Adicionalmente, o processo metodológico proposto pode modelar qualquer outro tipo de epidemia, e.g., tuberculose, cólera, COVID-19, entre outros. |
| Abstract: | Decision making using Machine Learning mechanisms can incur considerable improvement in the public health system. For example, predictions that allow managers to adopt preventive measures, mitigating, if not preventing, outbreaks of classic diseases. The system Governança Inteligente em Serviços de Saúde (GISSA) extracts, transforms and loads data into dashboards, from Brazilian Ministry of Health databases, for decision-making. GISSA, which was implemented by the Atlantic Institute, with the support of FINEP, is still being developed by researchers at UFC, Fiocruz and IFCE and is operational in several municipalities in the Brazil. In this context, this work presents the Smart-GISSA , a system for governance in Digital Health based on Machine Learning, which is an evolution of the GISSA architectural model. Smart-GISSA implements a layered architecture model following the data chain from capture to availability in databases to enable the emergence of applications in Machine Learning. This research describes new features added to GISSA from the analysis of its first solution built upon ontology and linked data techniques, proposing a new architecture that is more efficient and effective in health governance. Two new Data Mining methodologies are proposed with a focus on risk of death analysis and on epidemiological surveillance to predict epidemics. As a first case study, to better illustrate the adoption of the practices advocated by the methodology, it is built and validated two models for the risk of death, one maternal and the other infant, useful in identifying risky pregnancies accompanied by family health teams . Maternal and infant risk analyzers demonstrate the ability to alert risk of death in 97.50% of cases, considering 15 features, and 99.82% of cases, considering 27 features, respectively. For the second case study, it is built a model for predicting dengue epidemics for the city of Fortaleza, CE, inferring the number of cases of infection in the metropolitan region. The results show that it is possible to detect the trend in the number of new infections with a forecast horizon of 15 weeks. Additionally, the proposed methodological process can model any other type of epidemic, e.g., tuberculosis, cholera, COVID-19, among others. |
| URI : | http://www.repositorio.ufc.br/handle/riufc/60257 |
| Aparece en las colecciones: | DETE - Teses defendidas na UFC |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2021_tese_rvcostafilho.pdf | 6,46 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.