Made available in DSpace on 2014-06-12T15:58:44Z (GMT). No. of bitstreams: 2
arquivo4683_1.pdf: 2097336 bytes, checksum: bea2225a4b8b5aec57cc6d8bade1a5eb (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2003 / Os Transtornos Mentais Comuns (TMC´s), e dentre eles ansiedade e depressão, têm sido
causas comuns de morbidade tanto em países desenvolvidos como em desenvolvimento.
Esses transtornos levam a um considerável uso dos serviços de saúde e destacam-se como
um importante fator que leva a uma perda de dias de trabalho. Além disso, causam um sério
impacto tanto para os serviços de saúde como à sociedade de um modo geral. O uso de
técnicas que possam vir a conduzir à identificação dos fatores que apresentam maior
probabilidade de estarem relacionados aos TMC´s é de grande relevância para auxiliar no
processo de tomada de decisões acerca do planejamento e intervenção de saúde pública
nessa área.
As Redes Neurais Artificiais (RNA´s) são conhecidas porque geralmente obtêm um bom
desempenho na precisão dos resultados, e tem sido amplamente utilizadas para prognóstico
e diagnóstico de doenças. A aplicação de RNA´s para análise dos fatores relacionados aos
TMC´s foi motivada principalmente pelo fato que em RNA´s não há necessidade de
independência entre as diversas variáveis estudadas, pela sua habilidade em detectar todas
as possíveis interações entre as diversas variáveis explicativas, bem como por sua
capacidade de aprendizado a partir do ambiente. Essas características têm sido destacadas
como um atrativo para a aplicação de RNA´s em estudos epidemiológicos.
Técnicas clássicas de estatística, a exemplo de regressão logística, geralmente são mais
utilizadas em estudos epidemiológicos, porém, RNA´s vêm surgindo como uma alternativa
interessante, principalmente em situações onde são exibidas variáveis dependentes e
independentes complexas com relações não lineares. Esse trabalho teve como objetivo
principal utilizar RNA para análise dos fatores relacionados a TMC´s, comparando os
resultados obtidos nos experimentos realizados com os alcançados com o modelo
estatístico de regressão logística. Para o desenvolvimento dos experimentos foi utilizada
uma rede Multilayer Perceptron com uma camada escondida, treinada com o algoritmo
Backpropagation e com o método de otimização Simulated Annealing
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/2486 |
| Date | January 2003 |
| Creators | LOPES, Claudia Ribeiro Santos |
| Contributors | LUDERMIR, Teresa Bernarda |
| Publisher | Universidade Federal de Pernambuco |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds