Modelos de predição aplicados no diagnóstico do AVC: uma revisão de escopo
DOI:
https://doi.org/10.59681/2175-4411.v15.i2.2023.980Palavras-chave:
AVC, modelos de predição, Revisão de EscopoResumo
Objetivo: Neste artigo, é apresentada uma revisão de escopo com o objetivo de identificar modelos de predição aplicados no diagnóstico do Acidente Vascular Cerebral (AVC). Método: A RE foi realizada em cinco fontes de busca, utilizando uma string de busca e critérios de inclusão e exclusão. Resultados: Após a realização das etapas definidas no protocolo, 615 trabalhos foram retornados na primeira etapa, destes apenas 9 foram selecionados para serem analisados e terem suas informações extraídas. Conclusão: Mediante os resultados apresentados, foi possível identificar que a maioria dos trabalhos desenvolveram modelos de aprendizagem, seguido da comparação de algoritmos e criação de algoritmos. Com relação aos recursos utilizados, os mais utilizados foram: linguagem de programação Python e biblioteca scikit-learn. Com relação aos modelos e algoritmos mais utilizados estão: Árvore de decisão, Naive Bayes, Random Forest e KNN (K-Nearest Neighbors). A maioria dos trabalhos analisados utilizaram as métricas Recall, Precisão, F1-Score e Acurácia para validarem as soluções. Dentre as limitações identificadas, destacam-se aquelas relacionadas à avaliação do desempenho das soluções propostas e à ausência de aspectos relevantes para os estudos analisados.
Referências
Campbell BCV, Khatri P. Stroke. The Lancet; 2020 [Citado 2023 out 3]. Disponível em: http://dx.doi.org/10.1016/S0140-6736(20)31179-X. DOI: https://doi.org/10.1016/S0140-6736(20)31179-X
Brasil MSD. Diretrizes de Atenção à Reabilitação da Pessoa com Acidente Vascular Cerebral / Ministério da Saúde, Secretaria de Atenção à Saúde, Departamento de Ações Programáticas Estratégicas. Brasília: Ministério da Saúde; 2013 [Citado 2023 out 3]. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/diretrizes_atencao_reabilitacao_acidente_vascular_cerebral.pdf.
Meschia JF, Bushnell C, Boden-Albala B, Braun LT, Bravata DM, Chaturvedi S, et al. Guidelines for the Primary Prevention of Stroke: A Statement for Healthcare Professionals from the American Heart Association/American Stroke Association. 2014; 45(12), 3754-3832. [Citado 2023 out 3]. Disponível em: https://www.ahajournals.org/doi/full/10.1161/STR.0000000000000046. DOI: https://doi.org/10.1161/STR.0000000000000046
Tursynova A, Omarov B, Shuketayeva K, Smagul M. 2021, Artificial Intelligence in Stroke Imaging. International Conference on Cloud Computing, Data Science & Engineering (Confluence). 2021 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/Confluence51648.2021.9377102. DOI: https://doi.org/10.1109/Confluence51648.2021.9377102
Yu J, Park S, Kwon S-H, Ho CMB, Pyo C-S, Lee H. AI-Based Stroke Disease Prediction System Using Real-Time Electromyography Signals. Applied Sciences. 2020 [Citado 2023 out 3]. Disponível em: https://doi.org/10.3390/app10196791. DOI: https://doi.org/10.3390/app10196791
Oliveira WCGD, Lira AASA, Silva MPS, Leite CRM, Silva JEG. Sistema multi-agente fuzzy para monitoramento e avaliação. In: Novas Tecnologias Aplicadas à Saúde: Desenvolvimento de Sistemas Dinâmicos: conceitos, aplicações e utilização de técnicas inteligentes e regulação. Mossoró: EDUERN; 2019. p.497-523. [Citado 2023 out 3] Disponível em: https://repositorio.unb.br/handle/10482/37883.
Arksey H, O’Malley L. Scoping studies: towards a methodological framework. International Journal of Social Research Methodology. 2005; 8(1), 19–32. [Citado 2023 out 3] Disponível em: https://doi.org/10.1080/1364557032000119616. DOI: https://doi.org/10.1080/1364557032000119616
Peters MDJ, Godfrey C, McInerney P, Munn Z, Tricco AC, Khalil H. Capítulo 11. Scoping Reviews. In: Aromataris E, Munn Z. JBI Manual for Evidence Synthesis. 2020 [Citado 2023 out 3]. Disponível em: https://doi.org/10.46658/JBIMES-20-12. DOI: https://doi.org/10.46658/JBIRM-20-01
Levac D, Colquhoun H, O'Brien KK. Scoping studies: advancing the methodology. Implement. sci. 2010; 5(1):5-69. DOI: https://doi.org/10.1186/1748-5908-5-69
García-Temza L, Risco-Martín JL, Ayala JL, Roselló GR, Camarasaltas JM Comparison of Different Machine Learning Approaches to Model Stroke Subtype Classification and Risk Prediction. Spring Simulation Conference (SpringSim). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.23919/SpringSim.2019.8732846. DOI: https://doi.org/10.23919/SpringSim.2019.8732846
Hakim MA, Hasan MZ, Alam MM, Hasan MM, Huda MM. An Efficient Modified Bagging Method for Early Prediction of Brain Stroke. International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC4ME2). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/IC4ME247184.2019.9036700. DOI: https://doi.org/10.1109/IC4ME247184.2019.9036700
Shoily TI, Islam T, Jannat, Tanna SA, Alif TM, Ema RR. Detection of Stroke Disease Using Machine Learning Algorithms. International Conference on Computing, Communication and Networking Technologies (ICCCNT). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/ICCCNT45670.2019.8944689. DOI: https://doi.org/10.1109/ICCCNT45670.2019.8944689
Yu J, Kim D, Park H, Chon S, Cho KH, Kim S, et al. Semantic Analysis of NIH Stroke Scale Using Machine Learning Techniques. International Conference on Platform Technology and Service (PlatCon). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/PlatCon.2019.8668961. DOI: https://doi.org/10.1109/PlatCon.2019.8668961
Emon MU, Keya MS, Meghla TI, Rahman MM, Mamun MAS, Kaiser MS. Performance Analysis of Machine Learning Approaches in Stroke Prediction. International Conference on Electronics, Communication and Aerospace Technology (ICECA). 2020 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/ICECA49313.2020.9297525. DOI: https://doi.org/10.1109/ICECA49313.2020.9297525
Induja SN, Raji CG. Computational Methods for Predicting Chronic Disease in Healthcare Communities. International Conference on Data Science and Communication (IconDSC). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/IconDSC.2019.8817044. DOI: https://doi.org/10.1109/IconDSC.2019.8817044
Fang G, Xu P, Liu W. Automated Ischemic Stroke Subtyping Based on Machine Learning Approach. IEEE Access. 2020 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/ACCESS.2020.3004977. DOI: https://doi.org/10.1109/ACCESS.2020.3004977
Hayashi Y, Shimada T, Hattori N, Shimazu T, Yoshida Y, Miura RE. A prehospital diagnostic algorithm for strokes using machine learning: a prospective observational study. Sci Rep. 2021 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1038/s41598-021-99828-2. DOI: https://doi.org/10.1038/s41598-021-99828-2
Singh MS, Choudhary P. Stroke prediction using artificial intelligence. Annual Industrial Automation and Electromechanical Engineering Conference (IEMECON). 2017 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/IEMECON.2017.8079581. DOI: https://doi.org/10.1109/IEMECON.2017.8079581
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Maria Adriana Ferreira da Silva, Angélica Félix de Castro, Isaac de Lima Oliveira Filho
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
