Use este identificador para citar ou linkar para este item: https://rima.ufrrj.br/jspui/handle/20.500.14407/14332
Tipo do documento: Dissertação
Título: Utilização de técnicas de inteligência computacional na caracterização de pacientes com doenças cardiovasculares
Título(s) alternativo(s): Use of computational intelligence techniques in the characterization of patients with cardiovascular diseases
Autor(es): Azzi, Juliana Baroni
Orientador(a): Silva, Robson Mariano da
Primeiro membro da banca: Bellini, Reinaldo
Segundo membro da banca: Delgado, Angel Ramon Sanchez
Palavras-chave: Doenças cardiovasculares;Máquina de vetor de suporte;Regressão linear múltipla;Cardiovascular diseases;Supporting vector machine;Multiple linear regression
Área(s) do CNPq: Matemática
Idioma: por
Data do documento: 18-Mai-2018
Editor: Universidade Federal Rural do Rio de Janeiro
Sigla da instituição: UFRRJ
Departamento: Instituto de Ciências Exatas
Programa: Programa de Pós-Graduação em Modelagem Matemática e Computacional
Citação: AZZI, Juliana Baroni. Utilização de técnicas de inteligência computacional na caracterização de pacientes com doenças cardiovasculares. 2018. 56 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2018.
Resumo: Este trabalho engloba técnicas de Inteligência Computacional (IC), como a Máquina de Vetor de Suporte (SVM) e a Regressão Linear Múltipla, a fim de classificar os 303 pacientes presentes na base de dados pública “Heart Disease Database”, como cardiopatas ou não, a partir de uma série de informações concebidas em exames periódicos realizados nos mesmos. Em busca de reduzir ou antecipar o diagnóstico de cardiopatias, doenças que estão no topo da lista das que mais matam ao redor de todo o mundo, ambas as técnicas foram escolhidas para esta aplicação, baseando em experiências anteriores similares à realizada nesta dissertação, levando em consideração seus desempenhos satisfatórios. Buscando ser um método capaz de auxiliar médicos no diagnóstico de doenças cardiovasculares (DCV), esta comparação tornou-se necessária para a diminuição de diagnósticos errôneos. A partir das informações coletadas, obtivemos um valor de 77% de acurácia, 91% de sensibilidade, 69% de especificidade e 9% de Falso Negativo para a melhor simulação da técnica de Máquina de Vetor de Suporte, enquanto para as simulações feitas com seleção de variáveis por Regressão Linear Múltipla, foram obtidos 85%, 86%, 84% e 14% respectivamente, confirmando estudos anteriores que mostram que a Inteligência Computacional, pode sim ser um auxiliador de diagnóstico de doenças cardiovasculares, contando com a associação de simples informações como: idade, gênero, pressão arterial, colesterol, glicose no sangue, ritmo cardíaco máximo alcançado, angina induzida por exercício e depressão da onda ST, aplicados à Máquina de Vetor de Suporte, que apesar de ter uma acurácia um pouco mais baixa, apresentou um melhor desempenho com relação aos resultados Falsos Negativos, assim obtendo um resultado mais satisfatório.
Abstract: This work encompasses Computational Intelligence (CI) techniques, such as the Vector Support Machine (SVM) and Multiple Linear Regression, in order to classify the 303 patients present in the public database "Heart Disease Database", as cardiac patients or not, based on a series of information designed in periodical examinations carried out in them. In order to reduce or anticipate the diagnosis of cardiopathies, diseases that are at the top of the list of the ones that kill the most around the world, both techniques were chosen for this application, based on previous experiences similar to the one performed in this dissertation, satisfactory performance. Seeking to be a method capable of assisting physicians in the diagnosis of cardiovascular diseases (CVD), this comparison became necessary for the reduction of erroneous diagnoses. From the information collected, we obtained a value of 77% of accuracy, 91% of sensitivity, 69% of specificity and 9% of False Negative in the best simulation for the Support Vector Machine technique, while for the simulations made with selection of variables by Multiple Linear Regression, were obtained 85%, 86%, 84% and 14% respectively, confirming previous studies that show that Computational Intelligence can rather be a helper with the association of simple information such as: age, gender, blood pressure, cholesterol, blood glucose, maximum heart rate achieved, exercise induced angina and ST wave depression, applied to the Support Vector Machine , which in spite of having a slightly lower accuracy, presented a better performance in relation to the False Negative results, thus obtaining a more satisfactory result.
URI: https://rima.ufrrj.br/jspui/handle/20.500.14407/14332
Aparece nas coleções:Mestrado em Modelagem Matemática e Computacional

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2018 - Juliana Baroni Azzi.pdf927.18 kBAdobe PDFThumbnail
Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.