Ciência de dados no diagnóstico de intoxicação por agrotóxicos em trabalhadores rurais usando teoria de conjuntos aproximados

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: CARVALHO, Jaqueline Corrêa Silva de lattes
Orientador(a): PIMENTA, Tales Cleber lattes
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Itajubá
Programa de Pós-Graduação: Programa de Pós-Graduação: Doutorado - Engenharia Elétrica
Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/4113
Resumo: Num projeto de Ciência de Dados, é essencial determinar a relevância dos dados e identificar padrões que contribuam para a tomada de decisões com base no conhecimento específico do domínio. Além disso, uma definição clara das metodologias e a criação de documentação para orientar o desenvolvimento de um projeto desde o início até a conclusão são elementos essenciais. Este estudo apresenta um modelo de Ciência de Dados projetado para orientar o processo, abrangendo desde a coleta de dados até o treinamento com o objetivo de facilitar a descoberta de conhecimento. Motivado por deficiências em metodologias existentes de Ciência de Dados, especialmente a falta de orientação prática passo a passo sobre como preparar os dados para alcançar a fase de produção. Chamado de “Ciclo de Refinamento de Dados com a Teoria de Conjuntos Aproximados (CRD–TCA)”, o modelo proposto foi desenvolvido com base nas necessidades emergentes de um projeto de Ciência de Dados com o objetivo de auxiliar profissionais de saúde no diagnóstico de intoxicação por agrotóxicos entre trabalhadores rurais. O conjunto de dados usado neste projeto resultou de uma pesquisa científica na qual foram coletadas 1027 amostras, contendo dados relacionados a biomarcadores de toxicidade e análises clínicas. Alcançamos uma precisão de 99,61% com apenas 27 regras para determinar o diagnóstico. Os resultados otimizaram práticas de saúde e melhoraram a qualidade de vida em áreas rurais. Os resultados do projeto demonstraram o sucesso do modelo proposto.