Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Deina, Carolina
Orientador(a): Fogliatto, Flavio Sanson
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Tomada de decisão
Gestão em saúde
Aprendizado de máquina
Automatização de processos
Palavras-chave em Inglês:
Imbalanced datasets
Imbalanced classification
No-show prediction
Hospitalization prediction
Radiology
Link de acesso: http://hdl.handle.net/10183/289543
Resumo: Essa tese aborda a classificação de dados desbalanceados na área da saúde, propondo um workflow adequado para lidar com essa complexidade por meio de Machine Learning (ML) supervisionado. Composta por três artigos, a pesquisa apresenta estratégias para lidar com o desbalanceamento, além de explorar a generalização e a interpretabilidade dos algoritmos de ML. Os objetivos são: (i) definir um framework para classificação em bancos de dados desbalanceados; (ii) avaliar a capacidade de generalização dos modelos em situações do mundo real; (iii) propor direções futuras para a interpretabilidade dos resultados visando apoiar decisões médicas. Do ponto de vista prático, a aplicação da tese é validada através de dois estudos de caso: o primeiro identificando pacientes com diabetes com maior risco de hospitalização, otimizando o direcionamento de recursos hospitalares e o segundo sobre estimativas de no-show (não comparecimento) em consultas médicas, com o objetivo de melhorar o serviço prestado aos pacientes.
id URGS_8b6efce56663f4c5bb3b47cc99981a7b
oai_identifier_str oai:www.lume.ufrgs.br:10183/289543
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Deina, CarolinaFogliatto, Flavio Sanson2025-04-08T06:56:55Z2024http://hdl.handle.net/10183/289543001241375Essa tese aborda a classificação de dados desbalanceados na área da saúde, propondo um workflow adequado para lidar com essa complexidade por meio de Machine Learning (ML) supervisionado. Composta por três artigos, a pesquisa apresenta estratégias para lidar com o desbalanceamento, além de explorar a generalização e a interpretabilidade dos algoritmos de ML. Os objetivos são: (i) definir um framework para classificação em bancos de dados desbalanceados; (ii) avaliar a capacidade de generalização dos modelos em situações do mundo real; (iii) propor direções futuras para a interpretabilidade dos resultados visando apoiar decisões médicas. Do ponto de vista prático, a aplicação da tese é validada através de dois estudos de caso: o primeiro identificando pacientes com diabetes com maior risco de hospitalização, otimizando o direcionamento de recursos hospitalares e o segundo sobre estimativas de no-show (não comparecimento) em consultas médicas, com o objetivo de melhorar o serviço prestado aos pacientes.This dissertation addresses the classification of imbalanced datasets in the healthcare domain, proposing a workflow to deal with such complexity through supervised machine learning. Comprising three articles, the research presents strategies for handling imbalance while exploring the generalization and interpretability of machine learning models. The objectives are: (i) to define a framework for classification in imbalanced databases; (ii) to evaluate the models' generalization ability in real-world situations; (iii) to propose future directions for result interpretability to support medical decision-making. From a practical standpoint, the dissertation is validated through two case studies: the first identifying diabetic patients at higher risk of hospitalization, optimizing the allocation of hospital resources, and the second on predictions of no-show in medical appointments, aiming to enhance the service provided to patients.application/pdfporTomada de decisãoGestão em saúdeAprendizado de máquinaAutomatização de processosImbalanced datasetsImbalanced classificationNo-show predictionHospitalization predictionRadiologyAprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia de Produção e TransportesPorto Alegre, BR-RS2024doutoradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001241375.pdf.txt001241375.pdf.txtExtracted Texttext/plain116058http://www.lume.ufrgs.br/bitstream/10183/289543/2/001241375.pdf.txtfcf04317911594c0578347fdead6af9dMD52ORIGINAL001241375.pdfTexto parcialapplication/pdf774326http://www.lume.ufrgs.br/bitstream/10183/289543/1/001241375.pdf5d02380c6dce074ca9a2ea1b25444022MD5110183/2895432025-04-11 15:52:06.910269oai:www.lume.ufrgs.br:10183/289543Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532025-04-11T18:52:06Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados
title Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados
spellingShingle Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados
Deina, Carolina
Tomada de decisão
Gestão em saúde
Aprendizado de máquina
Automatização de processos
Imbalanced datasets
Imbalanced classification
No-show prediction
Hospitalization prediction
Radiology
title_short Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados
title_full Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados
title_fullStr Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados
title_full_unstemmed Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados
title_sort Aprimorando a tomada de decisão em saúde com aprendizado de máquina em problemas de classificação em dados desbalanceados
author Deina, Carolina
author_facet Deina, Carolina
author_role author
dc.contributor.author.fl_str_mv Deina, Carolina
dc.contributor.advisor1.fl_str_mv Fogliatto, Flavio Sanson
contributor_str_mv Fogliatto, Flavio Sanson
dc.subject.por.fl_str_mv Tomada de decisão
Gestão em saúde
Aprendizado de máquina
Automatização de processos
topic Tomada de decisão
Gestão em saúde
Aprendizado de máquina
Automatização de processos
Imbalanced datasets
Imbalanced classification
No-show prediction
Hospitalization prediction
Radiology
dc.subject.eng.fl_str_mv Imbalanced datasets
Imbalanced classification
No-show prediction
Hospitalization prediction
Radiology
description Essa tese aborda a classificação de dados desbalanceados na área da saúde, propondo um workflow adequado para lidar com essa complexidade por meio de Machine Learning (ML) supervisionado. Composta por três artigos, a pesquisa apresenta estratégias para lidar com o desbalanceamento, além de explorar a generalização e a interpretabilidade dos algoritmos de ML. Os objetivos são: (i) definir um framework para classificação em bancos de dados desbalanceados; (ii) avaliar a capacidade de generalização dos modelos em situações do mundo real; (iii) propor direções futuras para a interpretabilidade dos resultados visando apoiar decisões médicas. Do ponto de vista prático, a aplicação da tese é validada através de dois estudos de caso: o primeiro identificando pacientes com diabetes com maior risco de hospitalização, otimizando o direcionamento de recursos hospitalares e o segundo sobre estimativas de no-show (não comparecimento) em consultas médicas, com o objetivo de melhorar o serviço prestado aos pacientes.
publishDate 2024
dc.date.issued.fl_str_mv 2024
dc.date.accessioned.fl_str_mv 2025-04-08T06:56:55Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/289543
dc.identifier.nrb.pt_BR.fl_str_mv 001241375
url http://hdl.handle.net/10183/289543
identifier_str_mv 001241375
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/289543/2/001241375.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/289543/1/001241375.pdf
bitstream.checksum.fl_str_mv fcf04317911594c0578347fdead6af9d
5d02380c6dce074ca9a2ea1b25444022
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1831316196855644160

Registros relacionados