Repository logo

FCT (DCEA) - Relatórios Técnico/Científicos

Permanent URI for this collection

http://hdl.handle.net/10284/3089

Browse

Browsing FCT (DCEA) - Relatórios Técnico/Científicos by Subject "Chronic diseases"

Now showing 1 - 1 of 1
  • Proposta de um sistema inteligente para predição do risco de doenças crônicas não transmissíveis
    Publication . COSTA, OBERDAN; Gouveia, Luis Borges
    O presente trabalho, propõe desenvolver e validar um modelo de risco de condições de saúde para prever a probabilidade de um indivíduo desenvolver uma ou múltiplas Doenças Crônicas Não Transmissíveis (DCNT), antes que elas se manifestem. Inúmeras pessoas numa escala global correm o risco de desenvolver DCNT. Em concreto, os principais grupos de DCNT, incluem: doenças cardiovasculares, câncer, respiratórias crônicas e diabetes. Os grupos de doenças crônicas com características multifatoriais e não-infecciosas em sua origem têm sido motivo de crescente preocupação da sociedade e governos de todo o mundo, por colocar as pessoas em maior risco de complicações, chegando até mesmo a óbito, e colocando os sistemas de saúde em crise sistémica. A crise provocada pela COVID-19 acelerou o setor da saúde não só no sentido de repensar e reorientar a prestação de cuidados, mas também priorizar a integração da predição, prevenção e gestão de DCNT na população. Essa crise, mostrou também que os modelos preditivos e de prevenção e gestão de doenças crônicas em uso são insuficientes nas respostas as situações de saúde de condições crônicas. Uma abordagem multifatorial com fatores de riscos desencadeadores e verticalizados: Fatores de Risco Modificáveis (FRM) e Fatores de Risco Não Modificáveis (FRNM) é preferível para reverter essas situações de saúde e fornecer respostas específicas da probabilidade de um indivíduo desenvolver determinadas doenças crônicas. Nesse contexto, esse trabalho tem como objetivo principal “Desenvolver uma Plataforma Inteligente de Predição do Risco de Doenças Crônicas (PIPRDC) com o propósito de apoiar os profissionais da saúde”. O PIPRDC tem como fundo pesquisas na literatura, consultas a médicos especialistas e um modelo Preditivo de Risco de DCNT. Utilizamos classificadores de modelos multi-label ET, RF e DT para prever dez tipos de DCNT simultaneamente. Entre os modelos do experimento, o MLC RF apresentou o melhor desempenho de precisão e F1-score com 96,16% e 90,48%, respectivamente.
    2023Report Open access Show more