Banca de DEFESA: MARIA ADRIANA FERREIRA DA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : MARIA ADRIANA FERREIRA DA SILVA
DATA : 30/08/2023
HORA: 10:00
LOCAL: meet.google.com/ioy-htwm-mqx
TÍTULO:

STROKE.IA: UMA FERRAMENTA PARA O AUXÍLIO NA CLASSIFICAÇÃO DE PACIENTES EM RELAÇÃO AO AVC

PALAVRAS-CHAVES:

Acidente Vascular Cerebral, Aprendizagem de Máquina, Sistema Inteligente Preditivo.

PÁGINAS: 136
RESUMO:

Ao longo dos anos, houve uma crescente alta na ocorrência de casos de Acidente Vascular
Cerebral (AVC), devido ao aumento da população com idade avançada. Dados atuais
indicam que o AVC é uma das principais causas de morte e invalidez em todo o mundo,
atingindo milhões de pessoas e deixando os sobreviventes com inúmeras sequelas, sejam
elas físicas ou mentais. Em sua fase inicial, o AVC pode apresentar sinais indicativos antes
mesmo de sua ocorrência. Dentre esses sinais indicativos, a dormência em apenas um lado
do corpo, confusão mental e dificuldade para falar ou compreender são os mais comuns. A
identificação precoce desses sinais é de extrema importância, diminuindo o risco de morte
instantânea do paciente e o risco de deficiências que podem afetar significativamente sua
vida. Muitos fatores como diabetes, tabagismo, hipertensão arterial e outros, também
podem favorecer para o surgimento do AVC, o que aumenta cada vez mais os índices
de mortalidade, tornando-se necessário o conhecimento desses fatores para contribuir
com medidas preventivas precoces. Na literatura, técnicas de inteligência artificial são
amplamente estudadas como parâmetros para sistemas preditivos visando auxiliar na
identificação precoce de acidente vascular cerebral (AVC). Dentre essas técnicas, às de
Aprendizagem de Máquina (AM) são indicadas em sistemas preditivos. Desta forma, este
trabalho tem como objetivo apresentar uma ferramenta preditiva inteligente baseada em
AM para auxiliar os profissionais da saúde no diagnóstico de pacientes propensos a terem
um AVC, em especial na prevenção dos fatores de risco e sinais indicativos. Uma Revisão
Sistemática de Literatura (RSL) foi realizada e identificou-se um número significativo de
trabalhos que fizeram a utilização de abordagens preditivas para auxiliar no diagnóstico
do AVC. Neste trabalho, inicialmente foi utilizada a biblioteca PyCaret para identificação
do melhor algoritmo, neste, foram avaliados 14 algoritmos, no qual o Random Forest foi
o que alcançou os melhores resultados. Além disso, a biblioteca Scikit-learn foi utilizada
para otimizar os parâmetros do modelo, uma vez que ele estava apresentando tendência
ao overfitting. Após isso, identificou-se atributos com menor importância para o modelo,
assim foram criadas três novas bases de dados: Base21, Base16 e Base11. A Base21 contém
os 20 atributos mais relevantes, juntamente com o atributo classificador. A Base16 possui
15 atributos mais o atributo classificador, enquanto a Base11 apresenta 10 atributos
mais o atributo classificador. Destas, a Base21 foi a que alcançou os melhores resultados
alcançando uma acurácia, precisão, f1-Score e recall, com valores de 90,74% para cada uma
dessas métricas, AUC (Area Under Curve) de 0.97, e coeficiente kappa com um valor de
0.83. Por fim, foi desenvolvida uma aplicação web para demonstrar a utilidade prática do
modelo. A aplicação foi testada por profissionais da área da saúde, apresentando resultados
significativos e relevantes.

MEMBROS DA BANCA:
Presidente - 1521615 - ANGELICA FELIX DE CASTRO
Interno - 1631848 - ARAKEN DE MEDEIROS SANTOS
Externa à Instituição - ANNE MAGALY DE PAULA CANUTO - UFRN
Externo à Instituição - ISAAC DE LIMA OLIVEIRA FILHO - PESQUISADOR