ChronicPrediction: um modelo para prognóstico ubíquo de fatores de risco de doenças crônicas não transmissíveis

• Main Author: Pittoli, Fábio
• Other Authors: http://lattes.cnpq.br/6754464380129137
• Language: Portuguese
• Published: Universidade do Vale do Rio dos Sinos 2015
• Subjects: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação; Computação ubíqua; Computação móvel; Teoria bayesiana de decisão estatística; Doenças crônicas; Informática na medicina; Ubiquitous computing; Mobile computing; Bayesian statistical decision theory; Chronic diseases; Informatics in medicine
• Online Access: http://www.repositorio.jesuita.org.br/handle/UNISINOS/3818

Submitted by Maicon Juliano Schmidt (maicons) on 2015-06-11T18:12:05Z No. of bitstreams: 1 Fábio Pittoli_.pdf: 14844169 bytes, checksum: eced950e683430e4d8c741f0429ded20 (MD5) === Made available in DSpace on 2015-06-11T18:12:05Z (GMT). No. of bitstreams: 1 Fábio Pittoli_.pdf: 14844169 bytes, checksum: eced950e683430e4d8c741f0429ded20 (MD5) Previous issue date: 2015-03-27 === CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior === PROSUP - Programa de Suporte à Pós-Gradução de Instituições de Ensino Particulares === A computação ubíqua quando na forma de sistemas ubíquos e utilizados no suporte e cuidado de Doenças Crônicas priorizam o monitoramento do paciente e a geração de diversos tipos de alerta, porém, o suporte à tomada de decisões por parte dos sistemas ubíquos existentes é ainda pouco utilizado em sistemas específicos para o gerenciamento e controle de Doenças Crônicas Não Transmissíveis. Como o cuidado de doença crônica deve ser feito de forma contínua, torna-se importante para o paciente ter um conhecimento prévio sobre o andamento do seu tratamento e se as ações por ele feitas no dia a dia estão lhe ajudando com o tratamento ou não. Como mecanismo de predição, uma das principais técnicas utilizadas atualmente são as Redes Bayesianas. Sendo assim, esta dissertação propõe um modelo computacional ubíquo de prognóstico de fatores de risco de Doenças Crônicas Não Transmissíveis, denominado ChronicPrediction. O modelo ChronicPrediction utiliza Redes Bayesianas criadas a partir do mapeamento de relações de causalidade existentes entre cada um dos fatores de risco da DCNT a qual se deseja observar. Essas relações são definidas a partir de opinião de especialistas ou geradas automaticamente através de dados históricos e com base em dados fornecidos pelos próprios pacientes sobre seus hábitos alimentares diários, rotina de exercícios físicos e a medição de suas taxas. São discutidas também características pertencentes a trabalhos relacionados, além de descrever o modelo em detalhes e apresentar os aspectos considerados no desenvolvimento e avaliação por meio de um protótipo desenvolvido. O processo de avaliação se apresenta na forma de experimentos descritos através de cenários, os quais possuem como objetivo avaliar as hipóteses relacionadas a cada um deles. O ponto inicial para a formulação de cada uma das hipóteses é o fato de que se tem uma ideia de uma causa e o efeito relacionado a ela. Cada um dos cenários visa descrever situações comuns que possam ocorrer durante o dia a dia de pacientes (causas e efeitos) com algum tipo de Doença Crônica Não Transmissível. Além disso, a diversidade entre os cenários torna-se importante para aperfeiçoar a abrangência da avaliação do modelo. Ao efetuar as avaliações conclui-se que o modelo ChronicPrediction amplia as funcionalidades do Modelo UDuctor e do assistente pessoal ChronicDuctor, passando a oferecer suporte a ao monitoramento de múltiplas DCNT simultaneamente, fornecendo feedbacks e recomendações ao paciente com o intuito de ajudá-lo a acompanhar seu tratamento de forma contínua e podendo readequá-lo de forma a promover seu bem-estar e aprimorando sua qualidade de vida. === The ubiquitous computing in the form os ubiquitous systems and used in the support and care of Chronic Diseases prioritize the patient monitoring and the generation of differents alert types, however, the support decision making by the existing ubiquitous systems is still little used on specific systems for the management and control of Chronic Non-Communicable Diseases. As the care of chronic disease should be done continuosly, becomes important for the patient has a prior knowledge about the progress of your treatment and if the actions taken by him in his daily life are helping you with treatment or not. As a predictive mechanism one of the main techniques used nowadays are the Bayesian Networks. Thus, this thesis proposes an ubiquitous computing prognostic model of risk factors of Chronic Noncommunicable Diseases, called ChronicPrediction. The ChronicPrediction model uses Bayesian Networks created from mapping of existing causal relationships between each of the risk factors of NCDs which you wish to observe. These reationships are defined from expert opinion or automatically generated by historical data and based on data provided by patients themselves about their dayli eating habits, exercise routine and the measuring of their rates. Are also discussed characteristics belonging to related work, addition to describing the model in detail and present the aspects considered in developing and evaluating through a prototype. The evaluation process is presented in the form of experiments described through scenarios, which have to evaluate hypotheses realted to each. The starting point for the formulation of each of the hypotheses is the fact that we have an idea of a cause and effect related to it. Each scenario aims to describe common situations that may occur during the daily lives of patients (causes and effects) with some kind of Chronic Non-Communicable Disease. Furthermore, the diversity between the scenarios is important to improve the coverage of the model evaluation. Making the evaluationsit was concluded that the ChronicPrediction model expands the functionality of UDuctor model and the ChronicDuctor personal assistant, offering support to the monitoring of multiple NCDs simultaneously, providing feedbacks and recommendations to the patients in order to help them to monitor their treatment continuously, to modify them in order to promote their well-being and improving their quality of life.