Para citar este trabalho use um dos padrões abaixo:
Várias aplicações na área de saúde têm sido feitas utilizando métodos clássicos de aprendizado de máquina. Entre os inúmeros problemas pode-se destacar um grande interesse no problema de predição do resultado de diagnóstico médico utilizando informações com respeito aos sintomas apresentados pelo paciente. Utilizando modelagem matemática, este problema pode ser formulado em termos de um problema supervisionado de classificação binária, que procura identificar diagnósticos negativo e positivo em uma amostragem de pacientes. Regressão Logística, Naive Bayes, Redes Neurais Artificiais e XGBoost são exemplos de métodos de aprendizado de máquina usualmente utilizados para tratar este tipo de problema, retornando bons resultados nas pesquisas empírico-computacionais. No entanto, um dos desafios enfrentados consiste da dificuldade desses resultados serem utilizados na prática clínica, basicamente por dois motivos. A baixa aderência ao pensamento clínico, que considera o problema em termos probabilísticos e a dificuldade na interpretação dos resultados.
A proposta desse trabalho é investigar métodos inspirados em programação matemática. Em particular, modelos de Programação por Metas aplicados em problemas do diagnóstico médico para predição dos resultados. Modelo de programação por metas permite considerar mais de uma divisão na classificação dos dados e informações, levando em consideração intervalos de probabilidade: definitivamente B, provavelmente B, inclassificável, provavelmente A, definitivamente A, onde A e B são as duas classes de previsão. Permitindo assim, uma análise mais ampla dos resultados no diagnóstico para a tomada de decisão. O objetivo do estudo é comparar as métricas de desempenho entre os resultados da abordagem de programação por metas com métodos clássicos de aprendizado de máquina. Os experimentos computacionais foram realizados em linguagem de programação JULIA incorporando o solver Cbc na resolução dos modelos de programação matemática. A análise e organização dos dados com foco no aprendizado de máquina foi realizada em linguagem de programação Python incorporando bibliotecas específicas, como Scitjit-Learn, Pandas, Numpy, etc, no ambiente de desenvolvimento Jupyter Notebook. Os dados utilizados nos experimentos foram retirados do repositório FAPESP COVID-19 DataSharing/BR.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo