Modelo preditivo para identificar pessoas infectadas com Sars-Cov-2 através de exames de sangue
dc.contributor.advisor | Henrique Porto Ferreira, Charles | |
dc.contributor.author | Silva do Rosário, Eduardo | |
dc.contributor.author | Ribeiro dos Santos, Diego | |
dc.contributor.author | Leandro, Jonathan | |
dc.contributor.author | Nascimento Sergio, Matheus | |
dc.contributor.author | Minoru Kobashikawa, Marcelo | |
dc.coverage.spatial | São Paulo | pt_BR |
dc.date.accessioned | 2022-06-28T21:28:04Z | |
dc.date.available | 2022-06-28T21:28:04Z | |
dc.date.issued | 2022-06-28 | |
dc.description.abstract | Um dos maiores problemas da idade contemporânea é a velocidade de transmissão de vírus e doenças, como foi possível observar em 2019 com a pandemia da Sars-Cov-2 ou Covid-19. Por se tratar de um novo vírus, um dos principais desafios é o de identificar pessoas infectadas de uma forma ágil utilizando recursos acessíveis de modo a frear a transmissão da doença inicialmente desconhecida. O exame de sangue além de ser facilmente acessível, é uma das formas de descobrir enfermidades no organismo mesmo que não manifestem sintomas. Esses pontos motivam a criação do projeto através das informações obtidas nesse exame, com o propósito de acelerar o diagnóstico de qualquer novo vírus ou doença que surgir e conter o rápido avanço dela entre a população. Utilizando como referência os dados coletados durante a Covid-19, por se tratar do vírus mais atual descoberto, o objetivo desse trabalho baseando-se em outra pesquisa é treinar modelos de algoritmos preditivos capazes de predizer se o paciente pode estar infectado com base nas amostras sanguíneas. Utilizando a base de dados de instituições públicas e privadas, os algoritmos combinados com diferentes técnicas de balanceamento realizaram uma série de treinos e testes, gerando taxas de acerto com uma variação de até 13,7%. | pt |
dc.format.extent | 10 | pt_BR |
dc.identifier.uri | https://repositorio.animaeducacao.com.br/handle/ANIMA/23411 | |
dc.language.iso | pt | pt_BR |
dc.rights | Atribuição-NãoComercial-SemDerivados 3.0 Brasil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Aprendizado de Máquina | pt_BR |
dc.subject | Algoritmo Preditivo | pt_BR |
dc.subject | Covid-19 | pt_BR |
dc.subject | Inteligência Artificial | pt_BR |
dc.subject | Vírus | pt_BR |
dc.title | Modelo preditivo para identificar pessoas infectadas com Sars-Cov-2 através de exames de sangue | pt_BR |
dc.type | Artigo Científico | pt_BR |
local.author.curso | Engenharia de Computação | pt_BR |
local.author.unidade | UAM / Vila Olímpia | pt_BR |
local.contributor.coadvisor | Rogerio Nietto, Paulo | |
local.dateissued.semester | 1 | pt_BR |
local.modalidade.estudo | Presencial | pt_BR |
local.rights.policy | Acesso fechado | pt_BR |
local.subject.area | Engenharias | pt_BR |
local.subject.areaanima | Engenharias | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- tcc v.Final_Corrigido.pdf
- Tamanho:
- 455.63 KB
- Formato:
- Adobe Portable Document Format
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.15 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: