Detalhes bibliográficos
| Ano de defesa: |
2017 |
| Autor(a) principal: |
Martins, Francisco Leonardo Jales |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual do Ceará
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=82940
|
Resumo: |
<div style="">A internet das coisas(IoT) é definido como um sistema de dispositivos computacionais que se inter-relacionam e transferem dados através de uma rede sem a interferência humana. Uma das áreas de atuação em IoT é a E-health, que é um termo utilizado para práticas de cuidados do paciente através de dispositivos eletrônicos, nos quais sensores podem monitorar o sinais vitais de pacientes e analisá-los em tempo real. A análise das informações geradas em tempo real por esses sensores é um grande problema de dados, uma vez que a quantidade de dados é muito grande, as aplicações são sensíveis ao tempo e o formato de dados é heterogêneo. Entre as doenças existentes, a sepse é uma síndrome clínica fatal, resultante de infecção. A identificação de estratégias de prevenção específicas para sepsis é uma prioridade de saúde pública, salvando vidas e despesas públicas. Nesse contexto, a dissertação propõe um sistema de análise utilizando a infraestrutura em Big Data para detectar pacientes que tem alto risco de sofrer um choque séptico, já que a descoberta e intervenção precoce reduz a alta taxa de mortalidade associada a sepse grave, ou choque séptico. Devido a grande similaridade de dados capturados pelos sensores, foi proposto um algoritmo baseado na clusterização iterativo k-means, que reduz significativamente a quantidade de dados analisados, visando ter diagnósticos mais precisos dos dados que estão fora da normalidade. Os resultados mostram que a proposta é eficiente e tem análises bem precisas, ótima sensibilidade e especificidade, atingindo 93% a taxa de falsos positivos com 91% de precisão. </div><div style="">Palavras-chave: E-health. Choque Séptico. Clusterização. BigData. Análise de Dados.</div> |
