Please use this identifier to cite or link to this item: http://repositorio.ufersa.edu.br/handle/prefix/5189
metadata.dc.type: Dissertação
Title: Um módulo inteligente baseado em aprendizado de máquina para treinamento de estudantes de medicina no doctraining
metadata.dc.creator: Silva, Jesaías Carvalho Pereira
metadata.dc.contributor.advisor1: Santos, Araken de Medeiros
metadata.dc.contributor.advisor2: Mendes Neto, Francisco Milton
metadata.dc.contributor.referee1: Araújo, Daniel Sabino Amorim de
metadata.dc.contributor.referee2: Lima Júnior, Francisco Chagas de
metadata.dc.description.resumo: Nos últimos anos, estudantes de medicina do Brasil obtiveram baixo desempenho no exame do Conselho Regional de Medicina do Estado de São Paulo. Embora a avaliação mais recente mostre melhorias, eles ainda apresentam um desempenho ruim em especialidades como casos clínicos, diabetes e infarto do miocárdio. Nesse contexto, emergem várias estratégias para melhorar o ensino e a aprendizagem dos estudantes de medicina, uma delas são os jogos sérios. No entanto, existe um problema ao tentar treinar estudantes de medicina em casos clínicos por meio de um jogo, pois há um grande número de doenças, e o processamento de um banco de dados contendo essas doenças é trabalhoso, além de que é necessário sempre estar com essas informações atualizadas, visto que com o passar do tempo novas doenças vão surgindo e sintomas podem variar. Esta pesquisa propõe um módulo inteligente para auxiliar no gerenciamento de um jogo sério, realizando a classificação de dados médicos por meio de modelos de aprendizado de máquina e os disponibilizando a um jogo sério. Esse módulo inteligente faz parte do DocTraining, um projeto que conta com um jogo sério para treinamento dos estudantes de medicina. Este módulo possui um site para disseminação, gerenciamento e expansão de dados. As informações são disponibilizadas para o jogo sério por meio de um web service. Foram utilizados bancos de dados de casos clínicos, doença cardíaca e diabetes. Esses bancos de dados são rotulados por múltiplos classificadores de aprendizado de máquina que agregam as classificações por meio de confiança e voto majoritário. O módulo inteligente foi validado computacionalmente e com profissionais da área da medicina. Na validação computacional, os classificadores utilizaram a métrica de precisão e medida-F, por meio de divisão de porcentagem e validação cruzada. Em relação à validação com os profissionais, foi realizada uma entrevista semiestruturada com uma professora e um técnico em laboratório do curso de medicina da Universidade Federal Rural do Semi-Árido. Por meio dos resultados encontrados, foi possível observar que a combinação de classificadores melhorou os resultados iniciais. Destacando-se a combinação de Naive Bayes, Máquina de vetores de suporte e Regressão logística utilizando Confiança para classificação na base de doença cardíaca; Máquina de vetores de suporte, Árvore de decisão e Regressão logística usando Voto Majoritário para classificação de Diabetes; e Máquina de vetores de suporte, K-Nearest Neighbor, Naive Bayes e Regressão logística utilizando Confiança para classificação na base de Casos Clínicos. Os profissionais demonstraram que o módulo inteligente do DocTraining pode gerenciar os dados do jogo sério, tendo potencial para evoluir e se tornar uma ferramenta capaz de auxiliar no ensino-aprendizagem dos estudantes e professores de medicina
Abstract: In recent years, medical students from Brazil have obtained poor performance in the Regional Medical Council of São Paulo State exam. Although the most recent evaluation shows improvements, they still perform poorly in specialties such as clinical cases, diabetes and myocardial infarction. In this context, several strategies emerge to improve the teaching and learning of medical students, one of which is serious games. However, there is a problem when trying to train medical students in clinical cases through a game, as there are a large number of diseases, and processing a database containing these diseases is laborious, and it is always necessary to be with this updated information, as over time new diseases arise and symptoms may vary. It is necessary to update the data so that students have access to the most recent. This research proposes an intelligent module to assist in the management of a serious game, performing the classification of medical data through machine learning models and making them available to a serious game. In addition, it is also necessary that these data are easily administered by medical professionals who use the smart module. This smart module is part of DocTraining, a project that has a serious game for training medical students. This module has a website for disseminating, managing and expanding data. The information is made available for the serious game through a web service. Databases of clinical cases, heart disease, and diabetes were used. These databases are labeled using multiple machine learning classifiers that aggregate the classifications through trust and majority vote. The intelligent module was validated computationally and with medical professionals. In computational validation, the classifiers used the metric of Precision and F1 Score, using percentage split and cross-validation. In relation to validation with professionals, we conduct a semi-structured interview a professor and a laboratory technician from the medical course at the Federal Rural University of the Semi-Arid. With the results found, it was possible to observe that the combination of classifiers improved the initial results. Highlighting the combination of Naive Bayes, Support vector machine and Logistic regression using Confidence to classify the basis of heart disease; Support vector machine, Decision Tree and Logistic Regression using Majority Vote for classification of Diabetes; and Support vector machine, K-Nearest Neighbor, Naive Bayes and Logistic regression using Confidence for classification based on Clinical Cases. The professionals have shown that DocTraining intelligent module can manage serious game data, with the potential to evolve and become a tool capable of assisting the teaching-learning of medical students and teachers
Keywords: Aprendizado de Máquina
Medicina
Jogo
Múltiplos Classificadores
Casos clínicos
Machine Learning
Medicine
Game
Ensemble Classifiers
Clinical Cases
metadata.dc.subject.cnpq: CNPQ::CIENCIAS EXATAS E DA TERRA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal Rural do Semi-Árido
metadata.dc.publisher.initials: UFERSA
metadata.dc.publisher.department: Centro de Ciências Exatas e Naturais - CCEN
metadata.dc.publisher.program: Programa de Pós-Graduação em Ciência da Computação
Citation: Citação com autor incluído no texto: Silva (2020) Citação com autor não incluído no texto: (SILVA, 2020)
metadata.dc.rights: Acesso Aberto
URI: http://repositorio.ufersa.edu.br/handle/prefix/5189
Issue Date: 31-Mar-2020
Appears in Collections:MESTRADO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
JesaiasCPS_DISSERT.pdf7.77 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.