Logotipo do repositório
 

Publicação:
Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido

dc.contributor.advisorSampaio, Daniel Julien Barros da Silva [UNESP]
dc.contributor.authorPereira, Felipe Martins
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2022-05-25T20:09:18Z
dc.date.available2022-05-25T20:09:18Z
dc.date.issued2021-03-12
dc.description.abstractLow birth weight (LBW) is a condition that impacts a considerable portion of the world population and can influence the onset of diseases during adulthood, in addition to being associated with neonatal mortality. The concept of LBW is presented by WHO as children who were born weighing less than 2500g and is associated with the child’s family’s condition of life. The Sistema Único de Saúde (SUS) collects a set of information at the time of the child’s birth and consolidates in the SINASC system, information that is related to the child’s condition and family characteristics. With this information, it is possible to develop a model using data science techniques and artificial neural networks to find a correlation of these data to LBW and to enable better prenatal care to reduce the incidence of the condition in children. The artificial neural network constructed was through the Keras library, consisting of five layers and which demonstrated good results in relation to the classification of low weight, demonstrating a correlation of the SINASC data with the weight of the newbornen
dc.description.abstractO baixo peso ao nascer (BPN) é uma condição que impacta uma parcela considerável da população mundial e pode influenciar o surgimento de doenças durante a vida adulta, além de estar associado com a mortalidade neonatal. O conceito de BPN é apresentado pela OMS como crianças que nasceram com um peso inferior a 2500g e está associado a condição de vida da família da criança. O Sistema Único de Saúde (SUS) realiza a coleta de um conjunto de informações no momento do nascimento da criança e consolida no sistema SINASC, informações que estão relacionadas a condição da criança e a características da família. Com essas informações é possível desenvolver um modelo com o uso de técnicas de ciência de dados e de redes neurais artificiais para encontrar uma correlação desses dados ao BPN e possibilitar um melhor acompanhamento pré-natal para diminuir a incidência da condição nas crianças. A rede neural artificial construída foi por meio da biblioteca Keras, constituída de cinco camadas e que demonstrou bons resultados na em relação a classificação de baixo peso, demonstrando uma correlação dos dados do SINASC com o peso do recém nascidopt
dc.description.sponsorshipNão recebi financiamento
dc.identifier.urihttp://hdl.handle.net/11449/234909
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectLow birth weighten
dc.subjectData Scienceen
dc.subjectArtificial Intelligenceen
dc.subjectArtificial neural networksen
dc.subjectSINASC dataen
dc.subjectBaixo Peso ao Nascerpt
dc.subjectCiência de Dadospt
dc.subjectInteligência Artificialpt
dc.subjectRedes Neurais Artificiaispt
dc.subjectDados do SINASCpt
dc.titleEstudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascidopt
dc.title.alternativeStudy using Machine Learning of the relationship of the data collected by SINASC and the weight of the newbornen
dc.typeTrabalho de conclusão de cursopt
dspace.entity.typePublication
unesp.campusUniversidade Estadual Paulista (UNESP), Faculdade de Engenharia, Guaratinguetápt
unesp.undergraduateEngenharia Elétrica - FEGpt

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
pereira_fm_tcc_guara.pdf
Tamanho:
2.45 MB
Formato:
Adobe Portable Document Format

Licença do Pacote

Agora exibindo 1 - 2 de 2
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.44 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Carregando...
Imagem de Miniatura
Nome:
pereira_fm_tcc_guara_aut.pdf
Tamanho:
72.91 KB
Formato:
Adobe Portable Document Format
Descrição: