Divulgação - Defesa Nº 211
Aluno: Élisson da Silva Rocha
Título: “DEEPTUB: Plataforma para predição de morte por tuberculose baseado em modelos de Deep Learning utilizando dados demográficos, clínicos e laboratoriais”.
Orientador: Profa. Patricia Takako Endo
Coorientador: Vanderson de Souza Sampaio
Data-hora: 19/Agosto/2020 (11:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/oko-vvbx-xmi)
Resumo:
“De acordo com a Organização Mundial da Saúde (OMS), a tuberculose é uma das dez principais causas de morte no mundo, sendo uma das doenças infecciosa mais mortal, superando o HIV e a malária. Vinte países em todo o mundo respondem por 83% das incidências de tuberculose no mundo; e o Brasil é um desses países. Embora existam numerosos estudos de machine learning e deep learning para melhorar o diagnóstico de tuberculose, há uma escassez de pesquisas sobre previsão de mortalidade pós-diagnóstico. Essa análise pode informar e melhorar significativamente a eficácia do tratamento pós-diagnóstico, resultando em melhor qualidade de vida dos pacientes e alocação de recursos no sistema de saúde. O objetivo desta dissertação é desenvolver uma plataforma, denominada DeepTub, para auxiliar na tomada de decisão de especialistas de saúde no pós-diagnostico de tuberculose. Três modelos de DL são propostos, uma rede neural totalmente conectada (do inglês fully connected neural network - FCNN) e uma rede neural convolucional (do inglês convolutional neural network - CNN) e outra FCNN utilizando a técnica de Ensemble com os dois primeiros modelos. Para tanto, foram utilizados dados do Sistema Nacional de Informações sobre Doenças Notificáveis (SINAN) de 2007 a 2018. Os modelos de deep learning apresentam resultados promissores, com destaque para o modelo CNN que obteve melhores valores em cinco métricas, com destaque para precisão e especificidade com 74.71% e 74.87%, respectivamente. Outra analise realizada em cima dos modelos, foi em relação a confiança da predição para altas probabilidades, e nesse caso, o modelo CNN chegou a 92.31% de sensibilidade para os pacientes acima de 90% de probabilidade de óbito ou não óbito. Sobre a interface gráfica desenvolvida, a mesma já foi bem aceita pelos especialistas de saúde por sua usabilidade e simplicidade.”
O Programa
