Internet das coisas e rede móvel aplicadas para a criação de dispositivo de monitoramento do coração artificial

• Ano de defesa: 2024
• Autor(a) principal: Muxito, Ezequiel Manuel
• Orientador(a): Akamine, Cristiano
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: internet das coisas; rede móvel; saúde 4.0; coração artificial
• Link de acesso: https://dspace.mackenzie.br/handle/10899/39883

A utilização de sensores para monitoramento dos paciente com Insuficiência Cardíaca (IC), pauta-se na análise do progresso científico e tecnológico acerca da Internet of Things (IoT), aplicado como uma perspectiva inovadora no conceito de Saúde 4.0. Esta dissertação contribuiu no dispositivo de monitoramento do Left Ventricular Assist Devices (LVAD) fomentado pela MackPesquisa. O foco principal reside no sensoriamento avançado, conectividade via rede móvel e suporte remoto à supervisão, direcionando-se à operação e diagnostico de pacientes afetados com IC. O projeto incorpora o uso de ferramentas avançadas para coleta, processamento e análise de dados, empregando conceitos de Big Data e Data Analytics. O protótipo compreende a configuração de um microcontrolador, sensores de batimento cardíaco para monitoramento preciso, um acelerômetro para coleta de dados de movimentos, aceleração e detecção de quedas, além de um módulo de rede móvel para a transmissão eficiente de dados e segura, com a aplicação de técnicas avançadas de segurança da informação. A análise meticulosa dos dados obtidos possibilitou o monitoramento contínuo da saúde dos pacientes, facilitou diagnósticos mais precisos, fornecendo um histórico abrangente da saúde dos pacientes ao longo do tempo. Os experimentos analisaram dataset com 472 registos, aplicados modelos de Machine Learning (ML) para monitorar a rotina dos pacientes a partir de indicadores como batimentos cardíacos, inclinação, queda e movimentos. Os resultados da pesquisa compreendem uma vasta gama de informações que contribuem para a compreensão dos padrões comportamentais dos pacientes, permitindo a identificação de fatores que podem influenciar o sucesso do tratamento clínico e a implementação de estratégias mais eficazes de monitoramento e intervenção. Os modelos e técnicas de ML como: Regressão Linear, Regressão Logística, Arvore de Decisão, Floresta Aleatória, XGBoost e KNN, apresentam resultados que evidenciam um estudo comparativo que avaliou seus desempenhos. A análise indicou que Regressão Linear obteve acurácia de 100% e precisão de 23.62%, e Floresta Aleatória obteve acurácia de 100% e precisão de 23.47%, o que resultou em uma pontuação superior em comparação com outros algoritmos de ML., além disso, verificou-se a instabilidade dos sensores de batimentos cardíacos utilizados durante a coleta de dados, sendo que o sensor de pulso fotodetetor mostrou-se mais estável.