ABSTRACT
Este eBook foi elaborado no contexto do curso de capacitação Introdução à Análise de Dados em Saúde com Python ofertado pelo Centro de Inovação em Inteligência Artificial para Saúde. O curso tem como objetivo introduzir o estudo exploratório de bases de dados de saúde, com a utilização do Python. Neste eBook, procura-se apresentar uma abordagem preliminar à Ciência de Dados, que explora e descreve um conjunto de dados com técnicas da estatística descritiva e inferencial por meio da linguagem de programação Python. O público alvo que pretende-se atingir caracteriza-se por profissionais de saúde, alunos de graduação e pós-graduação, docentes e pesquisadores da área das ciências da saúde, exatas ou demais interessados em utilizar os recursos computacionais para análise de bases de dados em saúde. A linguagem Python tem se destacado como uma ferramenta poderosa para análise de dados em saúde, possuindo uma ampla gama de bibliotecas e recursos, o Python pode ser usado para limpar, processar, analisar e visualizar dados de saúde. Além disso, a comunidade de utilizadores da linguagem Python é muito colaborativa, com muitos recursos disponíveis, incluindo documentação, tutoriais e fóruns de suporte. O conteúdo foi agrupado em conceitos iniciais sobre a utilização dos dados em saúde, introdução ao Python para utilização de dados, conceitos de limpeza e tratamento de dados, aplicação da estatística descritiva com os sumários estatísticos e gráficos, técnicas de amostragens, aplicação da estatística inferencial com os testes de hipótese, de associação, de médias, de medianas e correlações, além de explorar a estilização de gráficos.
Subject(s)
Electronic Data Processing , Artificial Intelligence/statistics & numerical data , Data Analysis , Statistics , Health Information Systems , Data AccuracyABSTRACT
Introducción: determinar la causa de muerte de los pacientes internados con enfermedad cardiovascular es de suma importancia para poder tomar medidas y así mejorar la calidad su atención y prevenir muertes evitables. Objetivos: determinar las principales causas de muerte durante la internación por enfermedades cardiovasculares. Desarrollar y validar un algoritmo para clasificar automáticamente a los pacientes fallecidos durante la internación con enfermedades cardiovasculares Diseño del estudio: estudio exploratorio retrospectivo. Desarrollo de un algoritmo de clasificación. Resultados: del total de 6161 pacientes, el 21,3% (1316) se internaron por causas cardiovasculares; las enfermedades cerebrovasculares representan el 30,7%, la insuficiencia cardíaca el 24,9% y las enfermedades cardíacas isquémicas el 14%. El algoritmo de clasificación según motivo de internación cardiovascular vs. no cardiovascular alcanzó una precisión de 0,9546 (IC 95%: 0,9351-0,9696). El algoritmo de clasificación de causa específica de internación cardiovascular alcanzó una precisión global de 0,9407 (IC 95%: 0,8866-0,9741). Conclusiones: la enfermedad cardiovascular representa el 21,3% de los motivos de internación de pacientes que fallecen durante su desarrollo. Los algoritmos presentaron en general buena performance, particularmente el de clasificación del motivo de internación cardiovascular y no cardiovascular y el clasificador según causa específica de internación cardiovascular. (AU)
Introduction: determining the cause of death of hospitalized patients with cardiovascular disease is of the utmost importance in order to take measures and thus improve the quality of care of these patients and prevent preventable deaths. Objectives: to determine the main causes of death during hospitalization due to cardiovascular diseases.To development and validate a natural language processing algorithm to automatically classify deceased patients according to their cause for hospitalization. Design: retrospective exploratory study. Development of a natural language processing classification algorithm. Results: of the total 6161 patients in our sample who died during hospitalization, 21.3% (1316) were hospitalized due to cardiovascular causes. The stroke represent 30.7%, heart failure 24.9%, and ischemic cardiac disease 14%. The classification algorithm for detecting cardiovascular vs. Non-cardiovascular admission diagnoses yielded an accuracy of 0.9546 (95% CI 0.9351, 0.9696), the algorithm for detecting specific cardiovascular cause of admission resulted in an overall accuracy of 0.9407 (95% CI 0.8866, 0.9741). Conclusions: cardiovascular disease represents 21.3% of the reasons for hospitalization of patients who die during hospital stays. The classification algorithms generally showed good performance, particularly the classification of cardiovascular vs non-cardiovascular cause for admission and the specific cardiovascular admission cause classifier. (AU)
Subject(s)
Humans , Artificial Intelligence/statistics & numerical data , Cerebrovascular Disorders/mortality , Myocardial Ischemia/mortality , Heart Failure/mortality , Hospitalization , Quality of Health Care , Algorithms , Reproducibility of Results , Factor Analysis, Statistical , Mortality , Cause of Death , Electronic Health RecordsABSTRACT
O objetivo deste artigo é apresentar e avaliar um software que utiliza técnicas de Inteligência Artificial para elaborar, automaticamente e de forma rápida, cardápios nutricionais semanais para a Alimentação Escolar,atendendo às necessidades nutricionais diárias dos alunos e, simultaneamente, minimizando o custo total do cardápio. Esses cardápios satisfazem as referências nutricionais do Programa Nacional de Alimentação Escolar (PNAE) de acordo com a faixa etária, variedade, harmonia das preparações e um valor máximo a ser pago por refeição. O tempo de resposta para essa elaboração não ultrapassa cinco minutos. Contudo, o nutricionista precisa escolher o cardápio que melhor lhe atende, pois a ferramenta fornece um conjunto de cardápios eficientes. Assim, o sistema contribui para a elaboração de cardápios nutritivos e baratos, além de facilitar o trabalho do nutricionista que despende de muito tempo para essa tarefa, uma vez que ele necessita de exercer outras funções de sua responsabilidade.(AU)
The aim of this paper is to present and evaluate a software that uses Artificial Intelligence techniques to design, automatically and quickly, weekly nutritional menus for School Feeding, meeting the daily nutritional needs of students and simultaneously minimizing the total cost of the menu. These menus meet the nutritional references the National School Feeding Programme (PNAE) according to age, variety,the harmony of preparations and a maximum amount to be paid per meal. The response time for this preparation does not exceed five minutes. However, the nutritionist must choose the menu that suits youbest, because the tool provides a set of efficient menus. Thus, the system contributes to the development of nutritious and cheap menus, in addition to facilitating nutritionist work spends much time for this task, since it needs to perform other duties of responsibility
El objetivo de este trabajo es presentar y evaluar un software que utiliza técnicas de Inteligencia Artificial para elaborar, de forma automática y rápida, menús nutricionales semanales para alimentación escolar, con el objetivo de satisfacer las necesidades nutricionales diarias de los alumnos y al mismo tiempo reducir al mínimo el costo total del menú. Estos menús siguen las recomendaciones nutricionales del Programa Nacional de Alimentación Escolar (PNAE) de acuerdo al grupo de edad, variedad y armonía delas preparaciones, y costo máximo por comida. El tiempo de respuesta para esta preparación no debe ser superior a cinco minutos. No obstante, el especialista en nutrición debe elegir el menú que más le convenga, ya que la herramienta proporciona un conjunto de menús eficientes. De este modo, el sistema contribuye a la confección de menús nutritivos y baratos, además de facilitar el trabajo del nutricionista, que invierte mucho tiempo en esa tarea, y que tiene que llevar a cabo otras funciones de su responsabilidad