AIDA: uma arquitetura inteligente para gerenciamento de diabetes

• Ano de defesa: 2024
• Autor(a) principal: Gubert, Luis Claudio
• Orientador(a): Costa, Cristiano André da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Ciência de contexto; IoT; Aprendizado de máquina; Diabetes mellitus; Cuidados com saúde
• Palavras-chave em Inglês: Context-aware; Machine learning; Healthcare
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://repositorio.jesuita.org.br/handle/UNISINOS/13564

A incidência do diabetes mellitus tipo 2 tem aumentado significativamente nos últimos anos, se destacando como uma causa significativa de morbidade e mortalidade. Atualmente o sistema de gerenciamento de doenças se concentra na identificação de uma doença e seus métodos curáveis. Essa abordagem não é adequada para pacientes com DM2, pois a doença é crônica e a abordagem deve se preocupar com o longo curso da doença e com todos os envolvidos no seu acompanhamento (o paciente, o serviço de atenção primária, médicos e hospitais). A evolução dos dispositivos portáteis e sensores, e o aumento do uso do registro eletrônico de saúde, contribuem para o aumento do volume de dados que podem ser utilizados para acompanhamento, melhoria e individualização do tratamento. A grande disponibilidade de dados para cada paciente torna desafiador o processo de análise pelos serviços de saúde. Tal fato, impulsiona a utilização de técnicas de inteligência artificial (IA) para extrair conhecimento que possa ser utilizado como suporte às decisões dos profissionais de saúde. Tendo em vista que cuidados de doenças crônicas são de longo curso e exigem um acompanhamento contínuo, propomos como contribuição deste trabalho o desenvolvimento de uma arquitetura computacional que, baseada nos dados coletados por sensores e dados do registro eletrônico de saúde do paciente, utilize o aprendizado de máquina para encontrar padrões individualizados do curso da doença. Pretendese com isso, detectar precocemente o surgimento de comorbidades e o consequente declínio da saúde do paciente. Para esta tese propomos o desenvolvimento, implementação e avaliação de uma arquitetura inteligente para acompanhamento de pacientes com diabetes mellitus tipo 2, denominada AIDA. Avaliamos o modelo por meio de estudos de avaliação de aceitação da tecnologia baseados no TAM (technology acceptance model) e da aplicação do SUS (System Usability scale) em entrevistas com especialistas e pelo uso da tecnologia por parte de pacientes. Com relação às avaliações de classificação e predição, construímos um dataset com dados de um centro clínico nacional. Para avaliação dos resultados, foram comparados vários modelos de aprendizado de máquina para classificação, como Random forest, Decision Tree, Logistic regression, Gradient boosting, XGBoost e LightGBM com as configurações de hiperparâmetros alteradas para obter os melhores resultados. Para o modelo de predição foi utilizada redes LSTM (Long short-term memory) com dados coletados no contexto do paciente. Os resultados foram avaliados de forma visual e por métricas como a acurácia, precisão, sensibilidade, especificidade, F1-score e AUROC para a classificação e Root mean square error (RMSE), Mean absolute error (MAE) e Mean Poisson Deviance (MPD) para predição. Os resultados de aceitação e usabilidade apontaram que ambos os grupos, profissionais e pacientes, tem percepções positivas sobre a aplicação de tecnologia nos cuidados de doenças crônicas. Por sua vez, os melhores resultados para classificação apresentaram AUC de 0.85, especificidade de 0.92, sensibilidade de 0.52, precisão de 0.46, acurácia de 0.87 e F1-score de 0.49. Para predição, os melhores resultados apresentaram RMSE de 38.74, MAE de 31.41 e MPD de 8.82. Os resultados obtidos reforçam a hipótese de que é possível definir um modelo computacional para suporte e acompanhamento de pacientes com diabetes mellitus tipo 2.