Use of computational intelligence techniques in the characterization of patients with cardiovascular diseases

Autor: Azzi, Juliana Baroni
Přispěvatelé: Silva, Robson Mariano da, Bellini, Reinaldo, Delgado, Angel Ramon Sanchez
Jazyk: portugalština
Rok vydání: 2018
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da UFRRJ
Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron:UFRRJ
Popis: Submitted by Jorge Silva (jorgelmsilva@ufrrj.br) on 2021-06-27T17:13:00Z No. of bitstreams: 1 2018 - Juliana Baroni Azzi.pdf: 949432 bytes, checksum: c418492e45e7fab2f1146020f37b6d3f (MD5) Made available in DSpace on 2021-06-27T17:13:00Z (GMT). No. of bitstreams: 1 2018 - Juliana Baroni Azzi.pdf: 949432 bytes, checksum: c418492e45e7fab2f1146020f37b6d3f (MD5) Previous issue date: 2018-05-18 This work encompasses Computational Intelligence (CI) techniques, such as the Vector Support Machine (SVM) and Multiple Linear Regression, in order to classify the 303 patients present in the public database "Heart Disease Database", as cardiac patients or not, based on a series of information designed in periodical examinations carried out in them. In order to reduce or anticipate the diagnosis of cardiopathies, diseases that are at the top of the list of the ones that kill the most around the world, both techniques were chosen for this application, based on previous experiences similar to the one performed in this dissertation, satisfactory performance. Seeking to be a method capable of assisting physicians in the diagnosis of cardiovascular diseases (CVD), this comparison became necessary for the reduction of erroneous diagnoses. From the information collected, we obtained a value of 77% of accuracy, 91% of sensitivity, 69% of specificity and 9% of False Negative in the best simulation for the Support Vector Machine technique, while for the simulations made with selection of variables by Multiple Linear Regression, were obtained 85%, 86%, 84% and 14% respectively, confirming previous studies that show that Computational Intelligence can rather be a helper with the association of simple information such as: age, gender, blood pressure, cholesterol, blood glucose, maximum heart rate achieved, exercise induced angina and ST wave depression, applied to the Support Vector Machine , which in spite of having a slightly lower accuracy, presented a better performance in relation to the False Negative results, thus obtaining a more satisfactory result. Este trabalho engloba t?cnicas de Intelig?ncia Computacional (IC), como a M?quina de Vetor de Suporte (SVM) e a Regress?o Linear M?ltipla, a fim de classificar os 303 pacientes presentes na base de dados p?blica ?Heart Disease Database?, como cardiopatas ou n?o, a partir de uma s?rie de informa??es concebidas em exames peri?dicos realizados nos mesmos. Em busca de reduzir ou antecipar o diagn?stico de cardiopatias, doen?as que est?o no topo da lista das que mais matam ao redor de todo o mundo, ambas as t?cnicas foram escolhidas para esta aplica??o, baseando em experi?ncias anteriores similares ? realizada nesta disserta??o, levando em considera??o seus desempenhos satisfat?rios. Buscando ser um m?todo capaz de auxiliar m?dicos no diagn?stico de doen?as cardiovasculares (DCV), esta compara??o tornou-se necess?ria para a diminui??o de diagn?sticos err?neos. A partir das informa??es coletadas, obtivemos um valor de 77% de acur?cia, 91% de sensibilidade, 69% de especificidade e 9% de Falso Negativo para a melhor simula??o da t?cnica de M?quina de Vetor de Suporte, enquanto para as simula??es feitas com sele??o de vari?veis por Regress?o Linear M?ltipla, foram obtidos 85%, 86%, 84% e 14% respectivamente, confirmando estudos anteriores que mostram que a Intelig?ncia Computacional, pode sim ser um auxiliador de diagn?stico de doen?as cardiovasculares, contando com a associa??o de simples informa??es como: idade, g?nero, press?o arterial, colesterol, glicose no sangue, ritmo card?aco m?ximo alcan?ado, angina induzida por exerc?cio e depress?o da onda ST, aplicados ? M?quina de Vetor de Suporte, que apesar de ter uma acur?cia um pouco mais baixa, apresentou um melhor desempenho com rela??o aos resultados Falsos Negativos, assim obtendo um resultado mais satisfat?rio.
Databáze: OpenAIRE
Externí odkaz: