Search

Cidades inteligentes oferecem um ambiente de fluxo de dados e de monitoramento constante visando o bem-estar da população. Quando aplicados `a saúde melhoram a qualidade de vida das pessoas possibilitando, por exemplo, a predição de doenças e acompanhamento de tratamentos. A priorização de casos em centros m´médicos ´e de grande importância, tanto para a saúde dos pacientes quanto para o dia-a-dia dos profissionais da ´área. Sistemas de recomendação são uma alternativa para integrar automaticamente os dados gerados nesses ambientes `a modelos preditivos e recomendar ações, conteúdos ou serviços que possam beneficiar pacientes em seu contexto. O objetivo desse trabalho de pesquisa ´e auxiliar pacientes e m´médicos no diagnóstico precoce de doenças ou na detecção do agravamento de casos pós-operatórios através de um monitoramento constante. Visando atingir esse objetivo, esse trabalho propõe uma arquitetura para sistemas de recomendação aplicada `a saúde, na qual ´e capaz de priorizar casos m´médicos emergenciais. A arquitetura traz uma abordagem conjunta para predição, onde permite a adoção de m´múltiplos algoritmos de aprendizagem de m´máquina. A metodologia para a realização do trabalho se desenvolveu em três passos: (I) realização de um mapeamento sistemático, buscando identificar as lacunas presentes no estado da arte no contexto de sistemas de recomendação para saúde; (II) construção e desenvolvimento da arquitetura; (III) avaliação por meio de estudos de caso, visando avaliar partes específicas da proposta, sua completude e aderência em contextos m´médicos. Sua adoção ´e justificada uma vez que os dados produzidos por dispositivos inteligentes são precisos e confiáveis para contextos preditivos e de tomada de decisão. Os resultados obtidos em cada estudo de caso mostraram a viabilidade da proposta, onde, para conjuntos de dados acurados e com pouco ruído ou valores faltantes, as predições se apresentam promissoras e aderentes ao contexto de aplicação. Smart city environments offer a data flow and constant monitoring, aiming for the well-being of the population. When applied to healthcare, they improve the quality of people’s lives, making it possible, for example, the prediction of diseases and treatment monitoring. The case prioritization in medical centres is of great importance, which favours patients’ health and physicians in their daily job. Recommender systems are an alternative to automatically integrate the data generated in these environments with predictive models and recommend actions, content or services that can benefit patients in their context. The main goal of this research work is to assist patients and doctors in the early diagnosis of diseases or in the detection of worsening in postoperative cases through constant monitoring. To achieve this goal, this research work proposes an architecture for recommender systems applied to healthcare, that can prioritize emergency cases. The architecture brings an ensemble approach for prediction, which adopts multiple Machine Learning algorithms. The methodology for carrying out the work follows three steps: (I) conducting a systematic mapping, seeking to identify the gaps present in the state of the art in the context of health recommender systems; (II) construction and development of the architecture; (III) evaluation through case studies, aiming to evaluate specific parts of the proposal, its completeness and adherence in medical contexts. The adoption of the architecture is justified since the data produced by smart devices are accurate and reliable for predictive and decision-making contexts. The results obtained in each case study showed the feasibility of the proposal, where, for accurate data sets with a low amount of noise or missing values, the predictions are promising and adherent to the application context.