Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2017-05-29T13:06:46Z No. of bitstreams: 1 Lucas Closs_.pdf: 1614709 bytes, checksum: f513dd4879d78d758e585d56586b19bc (MD5) / Made available in DSpace on 2017-05-29T13:06:46Z (GMT). No. of bitstreams: 1 Lucas Closs_.pdf: 1614709 bytes, checksum: f513dd4879d78d758e585d56586b19bc (MD5) Previous issue date: 2017-02-20 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Os constantes avanços na computação móvel e ubíqua possibilitam novos desenvolvimentos e novos recursos em diversas áreas, dentre estas, destaca-se a área da saúde. A partir destas novas possibilidades, surge então o conceito de Cuidados Ubíquos, onde são aplicados estes novos recursos com o intuito de prover melhores condições para médicos e equipes médicas no tratamento de pacientes. Utilizando então como referência o conceito de cuidados ubíquos, o presente trabalho apresenta uma nova abordagem para o monitoramento de pacientes através do uso da ciência de situação, apoiada pelo uso da Lógica Difusa, das Redes Neurais Artificiais e das Séries Temporais de Dados, dispondo com também com os dados dos pacientes coletados através dos dispositivos móveis e dos vestíveis. O modelo SAC – Situation-Aware Care objetiva então a aplicação das três fases da ciência de situação – percepção, compreensão e projeção – utilizando os dados coletados como entradas para as inferências. Visando prover uma solução que auxilie médicos e equipes médicas em diagnósticos – e em prognósticos – mais assertivos, através do monitoramento e da disponibilização de registros e de informações mais apuradas quanto ao estado de saúde dos pacientes. Para a avaliação do modelo, foram então desenvolvidos protótipos referentes aos Serviços SAC e a aplicação SAC4Mobile. O modelo SAC teve a sua avaliação em relação ao seu desempenho dos serviços e também através de caso de uso estendido, aferindo sobre a usabilidade. Avaliações por desempenho apresentaram bons indicadores de tempos de respostas e de recursos computacionais, onde que tempo médio mais elevado para o retorno de todas as requisições, 100 requisições simultâneas, foi de 5,5 segundos e o consumo de recursos computacionais não ultrapassou 18%. Assim como a avaliação sobre usabilidade teve resultados positivos, enaltecendo a relevância da proposta do modelo SAC. / The constant advances in mobile and ubiquitous computing enable new developments and new features in different areas, among thesethe health area stands out. From these new possibilities comes the concept of Ubiquitous Care, where these new resources are applied in order to provide better conditions for doctors and medical staff in the treatment of patients. Using the concept of ubiquitous care as a reference, the present work presents a new approach for monitoring patients through the use of Situation Awareness, supported by the use of Fuzzy Logic, Artificial Neural Networks and Time Series, also with patient data collected through mobile devices and wearable devices. The SAC - Situation-Aware Care model aims to apply the three phases of situation awareness - perception, comprehension and projection - using the data collected as inputs to the inferences. Aiming to provide a solution that assists physicians and medical teams in diagnostics - and prognoses - more assertive, through the monitoring and availability of records and more accurate information regarding the patient's health status.For the evaluation of the model, prototypes were developed for the SAC Services and the SAC4Mobile application. The SAC model had its evaluation in relation to its service performance and also through an extended use case, assessing the usability. Performance evaluations presented good indicators of response times and computational resources, where the highest time for the return of all the requests, 100 simultaneous requests, was 5.5 seconds and the consumption of computational resources did not exceed 18%. As well as the assessment of usability had positive results highlighting the relevance of the SAC model proposal.

Submitted by Silvana Teresinha Dornelles Studzinski (sstudzinski) on 2017-04-19T15:55:11Z No. of bitstreams: 1 Fábio de Oliveira Dias_.pdf: 3212992 bytes, checksum: 687279fc82a1e707a3ba09c241b5e09b (MD5) / Made available in DSpace on 2017-04-19T15:55:11Z (GMT). No. of bitstreams: 1 Fábio de Oliveira Dias_.pdf: 3212992 bytes, checksum: 687279fc82a1e707a3ba09c241b5e09b (MD5) Previous issue date: 2017-02-17 / Nenhuma / A computação móvel e ubíqua tem propiciado o advento de soluções que permitem o monitoramento em tempo real de sinais provenientes de sensores e o seu processamento por aplicações que podem executar ações de acordo com as condições encontradas. Esta característica possibilita o uso da tecnologia para o monitoramento de condições de saúde de pacientes, denominado de cuidados ubíquos. Em diversas situações, a fim de salvar vidas de pacientes, é necessária a análise de seus sinais vitais de forma a prevenir eventuais colapsos. Este trabalho se insere nestas condições, estando voltado para a antecipação de ações de times de resposta rápida baseado em análise preditiva, propondo o modelo Predictvs. Um Time de Resposta Rápida busca prevenir mortes de pacientes que tenham piora clínica fora de ambientes de Unidades de Tratamento Intensivo em hospitais. De forma diversa dos trabalhos relacionados, que se preocupam apenas com ambientes de tratamento intensivo, o modelo Predictvs busca antecipar ações dos times de resposta rápida, através da análise dos sinais vitais dos pacientes com o uso de escores de alerta precoce e regressão linear. A contribuição científica do modelo é dada em virtude da possibilidade de efetuar a predição em tempo real de possíveis situações de colapso dos pacientes através do monitoramento e análise dos sinais vitais. A avaliação do Predictvs foi efetuada com a utilização de cenários, com a implementação de um protótipo e através de diversas simulações. Análises efetuadas com cerca de 228000 medições provenientes de um dataset público apresentaram bons resultados, onde a precisão da predição para a medição seguinte se mostrou bastante alta, atingindo mais de 99% no caso da frequência cardíaca e 100% na saturação de oxigênio arterial, ultrapassando 95% nos demais sinais vitais. Além disso, o índice de falsos negativos foi consideravelmente baixo, atingindo menos de 1% na frequência cardíaca e na saturação de oxigênio arterial. O índice de falsos positivos também foi baixo, embora não tanto quanto o de falsos negativos. No entanto, predições para três ou mais medições futuras mostram queda na precisão (mesmo demonstrando valores de acerto relativamente expressivos, com diversos sinais fisiológicos acima de 98%) e aumento do número de falsos negativos e, principalmente, de falsos positivos. / The mobile and ubiquitous computing has allowed the emergence of solutions that enable real-time monitoring of signals coming from sensors and processing for applications that can perform actions according to the conditions found. This feature enables the use of this technology for monitoring health conditions of patients, called ubiquitous healthcare. In several situations, in order to save his lives, it is necessary to analyze the vital signs of patients to prevent any collapses. This work is part of these conditions and is aimed at anticipating the actions of rapid response teams based on predictive analysis, proposing the Predictvs model. A Rapid Response Team intends to prevent deaths in patients who have clinical deterioration outside of intensive care units in hospitals environments. Differently of related works, which are concerned only with intensive care environments, the Predictvs model seeks to anticipate the actions of teams of rapid response through the analysis of vital signs of patients with the use of early warning scores and linear regression. The scientific contribution of the presented model is that we could better predict possible collapse situations of patients, through the monitoring and analysis of vital signs. The Predictvs evaluation was performed with the use of scenarios, implementation of a prototype and several simulations. Analyzes performed with about 228,000 measurements from a public dataset showed good results, where the accuracy of the prediction for the next measurement was very high, reaching more than 99% in the case of heart rate and 100% in arterial oxygen saturation, surpassing 95% in other vital signs. In addition, the false negative index was considerably lower, reaching less than 1% in heart rate and arterial oxygen saturation. The rate of false positives was also low, although not so much as that of false negatives. However, predictions for three or more future measurements show a drop in accuracy (even showing relatively expressive set values with several physiological signals above 98%) and an increase in the number of false negatives and, mainly, false positives.