Made available in DSpace on 2019-03-30T00:23:35Z (GMT). No. of bitstreams: 0
Previous issue date: 2018-12-21 / Gestational diabetes is one of the major diseases that affect pregnant women. On average, about 7 % of pregnant women are affected by this disease. The consequence of non treatment for the mother goes, since the same problems usually caused by Diabetes type 1 or 2, such as dizziness, weight gain, hyperglycemia or High blood glucose levels - to complications at the time of delivery. For the fetus, usually causes an exaggerated weight gain, hypoglycemia, jaundice, future type 2 diabetes, and may cause fetal death. Therefore, early diagnosis is important to indicate adequate medical follow-up and treatment in a timely manner. In this context, it¿s presented a hybrid methodology of a specialized system structured in Bayesian Networks, multicriteria approach of decision support and Artificial Intelligence. In which, input parameters are proposed to support the early diagnosis of Gestational Diabetes Mellitus, based on the symptoms of diseases that manifest themselves in concomitance or that are presented by the favorable environment caused by the evolution of undiagnosed diabetes. The diseases and symptoms studied were extracted from the medical literature. The diseases were weighted using Bayesian Networks, based on data from a Health Plan Operator with coverage in eleven Brazilian states; whereas the weights of the symptoms were tabulated according to the analysis of medical specialists, being organized by the multicriteria methodology, applying Multiatribute Utility Theory (MAUT) methods, in particular MACBETH, by using the Hiview computational tool. Finally, the information was structured in the knowledge base of a specialist system, made in software Expert SINTA.
Keywords: Gestational Diabetes, Bayesian Networks, Multicriteria, Expert System, MACBETH,
Expert SINTA. / O diabetes gestacional é uma das principais doenças que afetam as gestantes. Em média, cerca de 7% das mulheres grávidas são acometidas por esta doença. As conseqüências do não-tratamento para a mãe variam desde os problemas normalmente ocasionados pelo Diabetes tipo 1 ou 2 - como tontura, aumento de peso, hiperglicemia - a complicações no momento do parto. Para o feto pode causar aumento de peso exagerado, hipoglicemia, icterícia, diabetes tipo 2 futura, podendo ocasionar óbito fetal. Portanto, torna-se importante o diagnóstico precoce para indicar o acompanhamento e o tratamento adequados em tempo hábil. Neste contexto é apresentada uma metodologia híbrida de um sistema especialista estruturado em Redes Bayesianas, abordagem multicritério de apoio à decisão e Inteligência Artificial. No qual, são propostos parâmetros de entrada para apoio do diagnóstico precoce do Diabetes Mellitus Gestacional, baseado nos sintomas de doenças que se manifestam em concomitância ou que surgem oportunizadas pelo ambiente propício causado com a evolução da Diabetes não diagnosticada. As doenças e sintomas estudados foram extraídos da literatura médica. As doenças foram ponderadas, utilizando Redes Bayesianas, com ênfase em Naive Bayes, sob os dados de uma Operadora de Planos de Saúde com abrangência em onze estados do Brasil; enquanto que os pesos dos sintomas foram tabulados de acordo com a análise de especialistas médicos, sendo organizados pela metodologia multicritério, aplicando métodos de Teoria da Utilidade MultiAtributo (MultiAtribute Utility Theory - MAUT), em especial MACBETH, através da ferramenta computacional Hiview. Por fim, as informações foram estruturadas na base de conhecimento de um sistema especialista, construído no software Expert SINTA.
Palavras-chave: Diabetes Gestacional, Redes Bayesianas, Multicritério, Sistema Especialista, MACBETH, Expert SINTA.
| Identifer | oai:union.ndltd.org:IBICT/oai:dspace.unifor.br:tede/108639 |
| Date | 21 December 2018 |
| Creators | Gomes Filho, Egidio |
| Contributors | Pinheiro, Plácido Rogério, Pinheiro, Mirian Caliope Dantas, Pinheiro, Plácido Rogério, Pinheiro, Mirian Caliope Dantas, Amaro Júnior, Bonfim, Simão Filho, Marum |
| Publisher | Universidade de Fortaleza, Mestrado Em Informática Aplicada, UNIFOR, Brasil, Centro de Ciências Tecnológicas |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UNIFOR, instname:Universidade de Fortaleza, instacron:UNIFOR |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 5443571202788449035, 500, 500, -7645770940771915222 |
Page generated in 0.0021 seconds