Categoria: 2017

Abstract: Making good governance decisions is a constant challenge for Public Health administration. Health managers need to make data analysis in order to identify several health problems. In Brazil, these data are made available by DATASUS. Generally, they are stored in distinct and heterogeneous databases. The Linked Data approach allow a homogenized view of the data as a unique basis. This article proposes a ontology-based model and Linked Data to integrate datasets and calculate the probability of maternal and infant death risk in order to give support in decision-making in the GISSA project.

Abstract: Despite the fact that infant mortality rates havebeen decreased in recent years, this issue stills being considered alarming to Brazilian health system indicators. In this context,the GISSA framework, an intelligent governance framework for Brazilian health system, emerges as a smart system for the Federal Government program, called Stork Network. Its main objective is to improve the healthcare for pregnant women as well as their newborns. This application aims to generate alerts focusing on the health status verification of newborns and pregnant woman to support decision-makers in preventive actions that may mitigate severe problems. Therefore, this paper presents the LAIS, an Intelligent health analysis system that uses data mining (DM) to generate newborns death risk alerts through probability-based methods. Results show that the NaıveBayes classifier presents better performance than the other DM approaches to the used pregnancy data set analysis of this work. This approach performed an accuracy of 0.982 and a Receiver Operating Characteristic (ROC) Area of 0.921. Both indicators suggest the proposed model may contribute to the reduction of maternal and fetal deaths.

Resumo: GISSA é um sistema inteligente para a tomada de decisões em saúde focado no cuidado materno infantil. Neste sistema, vários alertas são gerados nos cinco domínios da saúde (clínico-epidemiológico, normativo, administrativo, gestão do conhecimento, conhecimento compartilhado). O sistema se propõe a contribuir para a redução da mortalidade infantil no Brasil. Este artigo apresenta o LAIS, um mecanismo inteligente que usa aprendizado de máquina para gerar alertas de risco de mortalidade infantil no GISSA. Para tanto, este trabalho usa uma metodologia baseada na mineração de dados para alcançar um modelo de aprendizagem capaz de calcular a probabilidade de um recém-nascido morrer. Os testes mostram que o classificador Naive Bayes é o mais adequado para este propósito, apresentando bons resultados, com área da curva ROC de 92,1%. O trabalho reúne bases de dados do Ministério da Saúde, SIM e SINASC, para o treinamento de algoritmos de classificação, identificando relações entre dados de nascimento e de morte de crianças com menos de um an. Durante o processo metodológico foi utilizado o algoritmo spread subsample, que aplica sub-amostragem, melhorando os resultados do modelo.

Resumo: Tomar decisões de boa governança é um desafio constante para a administração da Saúde Pública. Os gestores de saúde precisam fazer análises de dados para identificar diversos problemas de saúde. No Brasil, esses dados são disponibilizados pelo DATASUS. Geralmente, eles são armazenados em bancos de dados distintos e heterogêneos. A abordagem Linked Data permite uma visão homogeneizada dos dados como uma base única. Este artigo propõe um modelo baseado em ontologia e Linked Data para integrar conjuntos de dados e calcular a probabilidade de risco de morte materna e infantil para dar suporte à tomada de decisão no projeto GISSA.

Abstract: In healthcare, uncertainty moments are frequent, especially when they come from diseases with similar signals and symptoms. This work proposes a mobile health application based on predictive classifiers as inference mechanism capable to support health professionals in the identification of diseases transmitted by the Aedes Aegypti mosquito. The proposed system identifies the most probable disease in the case of dengue and chikungunya, given a set of symptoms presented by a patient. This work evaluates the experiments by crossvalidation using real data, and the results show that decision tree perform well for the proposed solution.