Diagnóstico da chikungunya por inteligência artificial e dados de prontuários
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1372Palavras-chave:
Inteligência artificial, Febre chikungunya, Diagnóstico clínicoResumo
Objetivo: O propósito desta pesquisa é desenvolver e avaliar um modelo de aprendizado de máquina para auxiliar no diagnóstico clínico da febre chikungunya utilizando dados de prontuários de pacientes. Método: Os dados foram obtidos do Portal de Dados Abertos da Prefeitura de Recife, englobando 18.881 registros de pacientes. Resultados: Após o pré-processamento e a validação cruzada, o modelo Random Forest com 100 árvores apresentou a melhor performance, com acurácia de 93,40% e área característica receptor-operador de 0,990. A aplicação do modelo demonstrou alta eficácia na diferenciação entre chikungunya e outras condições. Conclusão: Concluímos que o uso de inteligência artificial pode melhorar significativamente o diagnóstico clínico de arboviroses. Futuros trabalhos incluem a expansão da base de dados, a integração do modelo em ambientes clínicos e a exploração de técnicas avançadas de aprendizado de máquina.
Referências
Lopes N, Nozawa C, Linhares REC. Características gerais e epidemiologia dos arbovírus emergentes no Brasil. Rev Pan-Amaz Saude. 2014;5(3):10-10.
Donalisio MR, Freitas ARR, Zuben APBV. Arboviroses emergentes no Brasil: desafios para a clínica e implicações para a saúde pública. Rev Saude Publica. 2017;51:30.
Viana LRDC, Pimenta CJL, Araújo EMNFD, Teófilo TJL, Costa TFD, Costa KNDFM. Arboviroses reemergentes: perfil clínico-epidemiológico de idosos hospitalizados. Rev Esc Enferm USP. 2018;52:e03403.
Young PR. Arboviruses: a family on the move. Dengue and Zika: control and antiviral treatment strategies. 2018:1-10.
Thisyakorn U, Thisyakorn C. Diseases caused by arboviruses‐dengue haemorrhagic fever and Japanese B encephalitis. Med J Aust. 1994;160(1):22-26.
Bautista-Reyes E, Núñez-Avellaneda D, Alonso-Palomares L A, Salazar MI. Chikungunya: Molecular aspects, clinical outcomes and pathogenesis. Rev Investig Clin. 2018;69(6):299-307.
Ahmed M, Mahboob N, Manun KT, Iqbal H. Dilemma in laboratory diagnosis of Dengue, Chikungunya and Zika viruses. Bangladesh J. 2019;30:83-92.
Cunha RVD, Trinta KS. Chikungunya virus: clinical aspects and treatment-A Review. Mem Inst Oswaldo Cruz. 2017;112(8):523-531.
Santos MK, Webber CG. Comparing Deep e Transfer Learning na Classificação de Imagens da Membrana Timpânica. J Health Inform. 2022;14.
Santus E, Marino N, Cirillo D, Chersoni E, Montagud A, Santuccione Chadha A, et al. Artificial intelligence–aided precision medicine for COVID-19: strategic areas of research and development. J Med Internet Res. 2021;23(3):e22453.
Malik YS, Sircar S, Bhat S, Ansari MI, Pande T, Kumar P, et al. How artificial intelligence may help the Covid‐19 pandemic: Pitfalls and lessons for the future. Rev Med Virol. 2021;31(5):1-11.
da Silva Neto SR, Tabosa Oliveira T, Teixeira IV, Aguiar de Oliveira SB, Souza Sampaio V, Lynn T, et al. Machine learning and deep learning techniques to support clinical diagnosis of arboviral diseases: A systematic review. PLoS Negl Trop Dis. 2022;16(1):e0010061.
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
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.
