Otimização do processo de vacinação por meio de Machine Learning e dispositivos IoT: monitoramento de doses aplicadas e recomendações baseadas em dados
| Ano de defesa: | 2024 |
|---|---|
| Autor(a) principal: | |
| Outros Autores: | , |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Federal do Amazonas
Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
| 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://tede.ufam.edu.br/handle/tede/10233 |
Resumo: | A campanha de vacinação desempenha um papel crucial na proteção da saúde pública, especialmente em períodos de surtos epidemiológicos e pandemias. No entanto, a coleta e gestão de dados durante esse processo, em particular o controle de quantidades de frascos, doses e temperatura, continuam a enfrentar desafios significativos. Algumas das atividades de registro de dados, como o monitoramento da quantidade de doses e da temperatura, são realizadas manualmente, o que pode resultar em atraso no atendimento, em erros de registros e falta de eficiência. Relatórios analíticos que sintetizam dados oriundos de registros por dispositivos de sensoriamento remoto são geralmente utilizado para visualização e tomada de decisão. Nesse contexto, este trabalho apresenta um método para otimizar o processo de monitoramento que utiliza um modelo gerado por Machine Learning para sugerir recomendações com base na meta diária e dados climáticos da openweather API. Os dados foram simulados utilizando-se dispositivos de Internet das Coisas (IoT) com comunicação LoRa e tecnologia RFID. Sete modelos foram treinados por meio do GridSearchCV para otimizar o processo de ajuste dos melhores hiperparâmetros e seleção do melhor modelo de classificação. O algoritmo Gradient Boosting obteve o melhor desempenho com a acurácia de aproximadamente 96,3% e resultado de Best Parameters: 'learning_rate': 0.1, 'max_depth': 3, 'n_estimators': 200. Os dados foram recuperados e apresentados em um dashboard do Power BI. A utilização do Machine Learning e tecnologia de sensoriamento remoto na gestão de dados durante o processo vacinal representa um avanço significativo para a saúde pública. A automatização da coleta, da geração de informação e a previsão de demandas são fundamentais para garantir uma resposta rápida e precisa em situações de emergência, como surtos de doenças contagiosas. Além disso, a tecnologia empregada pode ser adaptada e expandida para outros contextos de saúde, proporcionando maior eficiência e eficácia em diversas áreas da medicina como transplante de órgão por exemplo |