Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.980
Aluno: Iúri Batista Teles
Orientadora: Profa. Patrícia Cabral de Azevedo Restelli Tedesco
Título: MAPDI – Modelo auto-ajustável para predição de aumento de número de casos de doenças infectocontagiosas
Data: 13/09/2021
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Profa. Renata Maria Cardoso Rodrigues de Souza (UFPE / Centro de Informática)
Prof. Sergio Crespo Coelho da Silva Pinto (UFF / Departamento de Ciência da Computação)
Profa. Patrícia Cabral de Azevedo Restelli Tedesco (UFPE / Centro de Informática)
RESUMO:
Doenças infectocontagiosa possuem um potencial devastador de transmissão do agente hospedeiro a seus pares, a exemplo da sars-cov-2 e vírus da
influenza, o uso de modelos computacionais conhecidos, tais como ARIMA,
LSTM e Prophet, podem contribuir de forma significativa para o controle de
sua disseminação. Modelos de aprendizagem de máquina vêm se provando muito eficazes no auxílio de gestores da saúd, amenizando as consequências da proliferação do contágio destas infecções, visto que auxiliam a construção
de ações antecipadas às ocorrências de doenças. A classificação de tais
doença se dá pela Classificação Internacional de doenças (CIDs) e
Classificação Internacional de Assistência Primária (CIAPs) utilizadas hoje
na cidade do Recife, para classificação de doenças infecciosas. No âmbito
da pesquisa desenvolvemos o MAPDI (Modelo Auto-ajustável para Predição de Aumento de Número de Casos de Doenças Infectocontagiosas) com intuito de integrar análise preditiva no âmbito do gerenciamento epidemiológica de
forma proativa. Utilizamos dados coletados de unidade de saúde proveniente
da solução Atende APS. O MAPDI é composto de 5 etapas principais: 1 –
Coleta e pré processamento dos dados; 2- Identificação CIDs/CIAPs anômalos; 3 -Ajuste automático dos algoritmos de séries temporais; 4 – Execução das previsões; e 5 – Indexação e apresentação dos resultados. O MAPDI inicialmente irá obter os dados epidemiológicos para análise proveniente do sistema Atende APS, o qual irá executar rotinas semanais para ajuste do modelo e projeção futura da possível quantidade de ocorrência para os próximos 7 dias. Os dados serão indexados no existe Elastic, através da
própria API disponível, já utilizado pela prefeitura de Recife e governo de
Pernambuco. Dessa forma, a apresentação dos dados irá se dá através do
Kibana, o que possibilitará também a personalização da melhor apresentação.
Dessa forma, é apresentado uma metodologia e integração aplicada a cidade
do Recife; bem como a possibilidade de integração em outras localidades,
para auxiliares atuantes do gerenciamento da saúde a análise de ocorrência
de CIDs/CIAPs de forma proativa.
Palavras-chave: Aprendizagem de máquia automatizada, aprendizagem profunda, inteligência artificial, doenças infecciosas, séries temporais, predição de doenças
Comentários desativados