TECNOLOGIA APLICADA À INCLUSÃO DIGITAL

DESENVOLVIMENTO. OBJETIVOS. JUSTIFICATIVA PARA A AÇÃO. REVISÃO DA BIBLIOGRAFIA. RESULTADOS ESPERADOS. DESENVOLVIMENTO O objetivo da atividade de forma geral é compreender como o monitoramento de saúde com a utilização de tecnologias vestíeis e big data podem auxiliar no monitoramento de pacientes e afins. Assim, a inteligência computacional usa duas técnicas para realizar a classificação de tarefas, sendo elas: - Treinamento: aplica o algoritmo para criar a função que consiga descrever os dados em relação a classe do problema. Validação: Utiliza a função criada no treinamento para ver em qual das classes a instancia se enquadra. Desta forma, um algoritmo é considerado bom caso tenha uma taxa de acerto elevada. Normalmente os dados utilizados na validação não são os mesmos que os utilizados no treinamento.

Funciona basicamente da seguinte maneira: é feita uma soma ponderada dos dados de entrada (que sempre são numéricos) com seus pesos, o resultado dessa soma passa pela função de ativação que vai gerar o resultado na saída. O perceptron trabalha com dados números, e deve ser convertido qualquer dado nominal. O MLP (Multi-layer perceptrons) é uma rede de perceptrons organizadas em camadas que podem representar problemas complexos. As saídas de uma camada servem de entrada para a camada seguinte. Geralmente podemos dividir em camada de entrada (input layer), camada “escondida” (hidden layer, que é onde acontece a “mágica”) e a camada de saída (output layer). apresentou-se algumas técnicas de Aprendizado de Máquina, onde se trata de uma ferramenta robusta que possui diversas técnicas.

Pode-se dizer que não será um algoritmo que irá apresentar o melhor desempenho para qual quer problema. Com isso, retrato a importância de compreender o poder e as limitações dos diferentes algoritmos para obtenção de um melhor resultado. Neste estudo optou-se em referenciar sobre Redes Neurais Artificiais onde uma rede pode se especializar com relação a exemplos contidos em sua base de aprendizado e trazer entendimento de doenças. Pode-se ter como forma de aprendizado os métodos de correção do erro, por reforço, por competição ou autoorganização, criação de protótipos ou clusters, memórias associativas e com base em sequências temporais. Com os dados disponibilizados pelo wearables dos pacientes sendo tratados pela operadora, estes podem servir de entrada de dados para as ferramentas que utilizam algoritmos MLP, resultando positivamente na ajuda do diagnóstico médico.

Contudo, a redução de quedas e re-hospitalizações dos pacientes fazem com que os custos das operadoras automaticamente sejam reduzidos. Com o aumento de expectativa de vida da população, as doenças (cardiovasculares, celebrais, hereditárias) tendem a se tornar cada vez maiores nos orçamentos de saúde das operadoras de saúde. Constantini (2014) prevê, inclusive, que essa capacidade diminuirá gastos com saúde, pois reduzirá a necessidade de comprar remédios, fazer exames e consultar médicos com frequência, sendo que os médicos poderão monitorar as informações e convocar o indivíduo para uma consulta quando identificarem alguma anormalidade ocorrendo com no corpo. Dessa maneira será apresentado nos discursões os ganhos de cada metodologia sendo elas: Wearables, a utilização do aprendizado de máquina juntamente com o big data e a diminuição dos custos assistenciais, uma vez que as experiências medicas juntamente com as redes MLP farão os diagnósticos de informações enviadas dos dispositivos tecnológicos, assim caso seja analisando alguma anormalidade, o paciente é automaticamente solicitado para exames clínicos em um espaço físico.

Dessa maneira as tecnologias vestíveis utilizadas pelas pessoas, promovem com que essas pessoas se mantenham mais comprometidas com o próprio bem-estar gerando múltiplos resultados. Estes dispositivos já fazem parte de uma tecnologia 11 muito avançada que buscam e rastreiam uma série de informações no corpo humano podendo ser aproveitadas para diversos fins clínicos, médicos e medicinais. Imagem: Site Moko Smart 12 5 CRONOGRAMA Tabela 1 - Cronograma Descrição Data Inicial Data Final Etapa 1 Coleta de dados 25/10/2022 30/10/2022 Etapa 2 Analise de dados 01/11/2022 10/11/2022 Etapa 3 Conclusão 10/11/2022 18/11/2022 Fonte: O autor (2022) 13 6 CONCLUSÃO A identificação de uma forma de reduzir os custos das operadoras utilizando técnicas de big data na medicina preventiva mostra que os avanços tecnológicos, bem como a utilização de tecnologia em diversos ramos da ciência faz com que a qualidade de vida do indivíduo seja elevada além de proporcionar optimização de tempo e consequentemente maiores lucros para organizações que detém esta tecnologia.

Considerando os resultados obtidos, observa-se que a utilização de aprendizagem de máquina usando uma Rede MLP treinada com Retropropagação, proporciona que seu desempenho em diversas situações seja eficaz e eficiente, obtendo resultados bastante satisfatórios. Com base nas características inerentes das redes neurais, como a capacidade de transformar problemas não lineares, e da aparente qualidade dos resultados preliminares obtidos neste e em outros trabalhos, pode-se concluir que as redes MLP mostram ser algoritmos extremamente úteis na previsão de incidência de doenças. com/saúde-preventiva-através-desmartphone-e-big-data/> Acesso em: 17 nov. COPPIN, Ben. Inteligência artificial. Rio de Janeiro: LTC, 2010. STARIKOV, Alexey. lume. ufrgs. br/bitstream/handle/10183/3322/000336243. pdf?sequence=1 Acesso em: 17 nov. CARDOSO, C.