Mineração de dados aplicada sobre câncer relacionado ao trabalho

Autores

DOI:

https://doi.org/10.59681/2175-4411.v16.2024.1014

Palavras-chave:

Mineração de Dados, Câncer Ocupacional, Produto Químico

Resumo

Objetivo: Encontrar regras de associação entre a ocupação do trabalhador, o produto químico exposto e o câncer diagnosticado em 2019. Método: Foram aplicadas técnicas de Mineração de Dados, dentro do processo de Descoberta de Conhecimento em Bases de Dados. Para identificar padrões e correlações, foram utilizados arquivos sobre Câncer Relacionado ao Trabalho – disponíveis pelo Sistema de Informação de Agravos de Notificação –, o software Weka e o algoritmo Apriori. Resultados: Apresentamos 2 regras com a métrica “Confiança” e 4 regras com a métrica “Convicção”, que indicaram fortes associações entre “Produtor agrícola polivalente”, “Radiação solar”, “Outras neoplasias malignas da pele e doenças relacionadas” e “Radiação não ionizante e Agrotóxico”. Conclusão: Os resultados podem incentivar organizações a elaborarem estratégias de prevenção contra o câncer ocupacional, de forma a manter e garantir a qualidade de vida e segurança dos trabalhadores, sobretudo dos trabalhadores pertencentes às ocupações com maior risco de exposição ao câncer.

Biografia do Autor

Bruna Ferreira Pfeiffer, Universidade Federal de Ciências da Saúde de Porto Alegre

Mestre(a) em Tecnologias da Informação e Gestão em Saúde do PPG-Tecnologias da Informação e Gestão em Saúde, Universidade Federal de Ciências da Saúde de Porto Alegre – UFCSPA, Porto Alegre (RS), Brasil

Silvia Regina Gralha, Universidade Federal de Ciências da Saúde de Porto Alegre

Mestre(a) em Tecnologias da Informação e Gestão em Saúde do PPG-Tecnologias da Informação e Gestão em Saúde, Universidade Federal de Ciências da Saúde de Porto Alegre – UFCSPA, Porto Alegre (RS), Brasil

Giordani da Silva Ramos, Universidade Federal de Ciências da Saúde de Porto Alegre

Mestre(a) em Tecnologias da Informação e Gestão em Saúde do PPG-Tecnologias da Informação e Gestão em Saúde, Universidade Federal de Ciências da Saúde de Porto Alegre – UFCSPA, Porto Alegre (RS), Brasil

Referências

Zambolim CM, Oliveira TP, Hoffmann AN, Vilela CEB, Neves D, Anjos FR, et al. Perfil das intoxicações exógenas em um hospital universitário. Revista de Medicina de Minas Gerais 2008;18(1):5-10.

Brasil. Ministério da Saúde. Sistemas de informação em saúde. 2021 [Citado 2024 jan 31]. Disponível em: https://www.gov.br/saude/pt-br/composicao/svs/vigilancia-de-doencas-cronicas-nao-transmissiveis/sistemas-de-informacao-em-saude.

Brasil. Ministério da Saúde. Portaria 130, de 12 de fev. de 1999. Institui e formaliza a distribuição de competências dos órgãos do Ministério da Saúde em relação ao Sistema Nacional de Informações em Saúde. – Brasília (DF): Diário Oficial da União; 1999 [Citado 2022 ago 17]. Disponível em: http://www.portalsinan.saude.gov.br/images/documentos/ Legislacoes/Portaria_130_12_02_1999.pdf.

DATASUS. Departamento de Informática do SUS. [Citado 2024 jan 31]. Disponível em: https://datasus.saude.gov.br/sobre-o-datasus/.

Fayyad UM, Piatetsky-Shapiro G, Smyth P, Uthurusamy R. Advances in Knowledge Discovery and Data Mining. California: AAAI Press/The MIT Press; 1996.

Fayyad UM, Piatetsky-Shapiro G, Smyth P. From data mining to knowledge discovery in databases. AI magazine, v.17, n.3; 1996. p.37-37.

Lakshmi BN, Raghunandhan GH. A conceptual overview of data mining. In: 2011 National Conference on Innovations in Emerging Technology. IEEE; 2011. p.27-32. DOI: https://doi.org/10.1109/NCOIET.2011.5738828

Holloway, Jack; et al. Evaluating the performance of a predictive modeling approach to identifying members at high-risk of hospitalization. 2019 [Citado 2024 jan 31]. Disponível em: https://doi.org/10.1080/13696998.2019.1666854 DOI: https://doi.org/10.1080/13696998.2019.1666854

Kajungu DK, Selemani M, Masanja I, et al. Using classification tree modelling to investigate drug prescription practices at health facilities in rural Tanzania. Malar J 11, 311. 2012 [Citado 2024 jan 31]. Disponível em: https://doi.org/10.1186/1475-2875-11-311 DOI: https://doi.org/10.1186/1475-2875-11-311

Parsaye K. Intelligent databases: object-oriented, deductive and hypermedia technologies. New York: John Wiley; 1989.

Machine Learning Project at the University of Waikato in New Zealand. [Citado 2024 jan 31]. Disponível em: https://www.cs.waikato.ac.nz/ml/index.html.

Ministério da Saúde. Câncer relacionado ao Trabalho. 2022 [Citado 2024 jan 31]. Disponível em: https://www.gov.br/saude/pt-br/composicao/svsa/saude-do-trabalhador/vigilancia-em-saude-do-trabalhador-vigisat/doencas-e-agravos-relacionados-ao-trabalho/cancer-relacionado-ao-trabalho.

Costa CN, Coutinho JV, Magalhães LH, Arbex MA. Descoberta de conhecimento em bases de dados. FESJ Revista Eletrônica. 2018 [Citado 2024 jan 31]. Disponível em: https://www.fsd.edu.br/wp-content/uploads/2019/12/artigo9.pdf.

Agrawal R, Srikant R. Fast Algorithms for Mining Association Rules. Proc. 20th International Conference on Very Large Data Bases, VLDB; 1994. p.478-499.

Han J, Kamber M, Pei J. Data Mining: Concepts and Techniques 3. ed. Morgan Kaufmann Publishers Inc, San Francisco, USA; 2011.

Witten IH, Frank E, Hall MA. Data Mining Practical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers Inc, 3.ed, San Francisco CA US; 2011. DOI: https://doi.org/10.1016/B978-0-12-374856-0.00001-8

Santos WH, et al. Estudo da base de dados abertos E-Saúde da prefeitura de Curitiba usando técnicas de mineração de dados. Dissertação de Mestrado. Universidade Tecnológica Federal do Paraná. 2018.

De Oliveira Silva SL, Costa EA. Intoxicações por agrotóxicos no estado do Tocantins: 2010–2014. Vigilância Sanitária em Debate: Sociedade, Ciência & Tecnologia, v. 6, n. 4; 2018. p.13-22. DOI: https://doi.org/10.22239/2317-269x.01188

Jakob MC, Santa D, Holte KA, Sikkeland IJ, Hilt B, Lundqvist P. Occupational health and safety in agriculture – a brief report on organization, legislation and support in selected European countries. Ann Agric Environ Med., 28(3); 2021. p.452-457 [Citado 2024 jan 31]. Disponível em: https://doi.org/10.26444/aaem/140197 DOI: https://doi.org/10.26444/aaem/140197

Silva JS, Nascimento LP. Fatores Culturais Associados à não Adesão aos Exames Preventivos de Câncer de Próstata em Parintins [Trabalho de Conclusão, Universidade do Estado do Amazonas]. 2017 [Citado 2024 jan 31]. Disponível em: http://repositorioinstitucional.uea.edu.br//handle/riuea/759.

Lima Júnior MM, Reis LO, Ferreira U, Cardoso UO, Barbieri RB, Mendonça GB, et al. Unraveling Brazilian Indian Population Prostate Good Health: Clinical, Anthropometric and Genetic Features. International braz j urol, 41(2). 2015 [Citado 2024 jan 31]. Disponível em: https://doi.org/10.1590/S1677-5538.IBJU.2015.02.23. DOI: https://doi.org/10.1590/S1677-5538.IBJU.2015.02.23

Mota TR, Barros DPO. Perfil dos pacientes com câncer de próstata em hospital de referência no estado de Pernambuco. Revista brasileira de análises clínicas, 50(4), 334-338; 2018 [Citado 2024 jan 31]. Disponível em: https://doi.org/10.21877/2448-3877.201900766. DOI: https://doi.org/10.21877/2448-3877.201900766

Downloads

Publicado

23-02-2024

Como Citar

Pfeiffer, B. F., Gralha, S. R., & Ramos, G. da S. (2024). Mineração de dados aplicada sobre câncer relacionado ao trabalho. Journal of Health Informatics, 16(1). https://doi.org/10.59681/2175-4411.v16.2024.1014

Edição

Seção

Artigo Original

Artigos Semelhantes

<< < 6 7 8 9 10 11 12 13 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.