Publicação: Estudo utilizando machine learning da relação dos dados coletados pelo SINASC e o peso do recém nascido
Carregando...
Arquivos
Data
Autores
Orientador
Sampaio, Daniel Julien Barros da Silva 
Coorientador
Pós-graduação
Curso de graduação
Engenharia Elétrica - FEG
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
O 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 nascido.
Resumo (inglês)
Low 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 newborn.
Descrição
Palavras-chave
Baixo Peso ao Nascer, Ciência de Dados, Inteligência Artificial, Redes Neurais Artificiais, Dados do SINASC, Low birth weight, Data Science, Artificial Intelligence, Artificial neural networks, SINASC data, Redes neurais (Computação), Cuidado Pré-Natal
Idioma
Português
