Inteligência Artificial
URI Permanente para esta coleção
Navegar
Navegando Inteligência Artificial por Assunto "Diagnóstico Médico"
Agora exibindo 1 - 1 de 1
Resultados por página
Opções de Ordenação
- ItemDiagnóstico médico de obessidade: uma comparação entre regressão linear múltipla e lógica Fuzzy para doenças cardiovasculares(2020) Silva, Jean Regis; Juliano Tonizetti Brignoli, Dr; Fábio Alexandrini, Dr; Daniel Gomes Soares, MscSendo um dos principais distúrbios relacionados a obesidade, as doenças cardiovasculares são a primeira causa de morte, em ambos os sexos, no mundo. Os fatores de risco, conhecidos como causas que aumentam a probabilidade de ocorrência de um determinado evento, antecedem em vários anos as doenças cardiovasculares. Destacam-se a obesidade, a diabetes, o sedentarismo, o tabagismo, a hipertensão arterial, a idade, o sexo, entre outros. A análise de regressão é uma técnica estatística para investigar e modelar a relação entre variáveis, sendo uma das mais uti lizadas na análise de dados. Pode se citar inúmeras aplicações da técnica de Regressão na área da saúde, doenças relacionadas a obesidade seria uma delas. O trabalho também recorreu ao uso de Lógica Fuzzy, que foi introduzida nos meios científicos em 1965 por Lofti Asker Za deh, através da publicação do artigo Fuzzy Sets no Jornal Information and Control. Hoje ela é elemento fundamental em diversos sistemas, sendo considerada uma técnica de excelência no universo computacional. O conceito Fuzzy pode ser entendido como uma situação em que não é possível responder simplesmente “sim” ou “não”. Mesmo conhecendo as informações necessárias sobre a situação, dizer algo entre “sim” e “não”, como “talvez” ou “quase”, torna-se mais apropriado. Nesse sentido, o objetivo deste trabalho é apresentar o funcionamento do raciocínio Fuzzy, utilizando o método mais popular de raciocínio Mamdani, em comparação ao uso da técnica estatística de Regressão Linear Múltipla para um auxílio ao diagnóstico, com algumas variáveis de risco, de doenças cardiovasculares. Tratando-se do disgnóstico da doença, com a finalidade entendê-lo, foi realizado um estudo das variáveis de risco baseado no score de Framingham. Como consequência, um método para calcular o risco foi obtido ao selecionar as variáveis idade, colesterol total, HDL colesterol, pressão sistólica, diabetes e tabagismo. Também fora utilizada a base de dados pública Heart Disease Database na seleção da amostragem, a qual possui informações de 303 pacientes da cidade de Cleveland, Ohio, Estado Unidos. A partir de uma escolha aleatória simples, foi calculada a amostragem de 50 indivíduos do sexo masculino. Estas informações subsidiaram a construção da base de regras Fuzzy e da função de Regressão Linear Múltipla. Ao fim, a Regressão Linear Múltipla se mostrou mais eficaz em todas as comparações efetuadas. Para a Regressão Linear Múltipla tivemos uma correlação linear (𝑅2) de 0,8307 em relação ao score de Framingham, enquanto o Fuzzy obteve uma correlação de 0,6152. Desta forma, a Regressão Linear Múltipla mostrou-se mais eficiente como uma inteligência computacional no auxílio ao diagnóstico, visando diminuir o grau de incerteza.