O uso de XGBoost para um sistema de apoio à decisão de diagnósticos de doenças respiratórias

Página do item simplificado
dc.contributor.advisorZerbinatti, Leandro
dc.contributor.authorCamargo, André Cunha Quintiliano de
dc.contributor.authorYoon, Mateus
dc.contributor.authorLima, Pedro Augusto Ferreira
dc.date.accessioned2025-06-30T20:20:41Z
dc.date.available2025-06-30T20:20:41Z
dc.date.issued2025-06-18
dc.descriptionIndicado para publicação.
dc.description.abstractA lotação nos hospitais tem sido um problema recorrente, sobrecarregando os sistemas de saúde e resultando em longas filas de espera. Este projeto visa otimizar o processo de triagem de pacientes com SRAG, reduzindo o tempo de espera e melhorando a eficiência do atendimento hospitalar. A motivação central é a necessidade de uma triagem mais ágil, permitindo atender um maior número de pacientes e criando uma relação mais eficiente entre paciente e médico. O objetivo é acelerar a triagem, priorizando pacientes com SRAG através de Inteligência Artificial (IA), utilizando Árvores de Decisão para identificar os casos mais urgentes. A metodologia adotada combina a análise de dados clínicos com algoritmos de Árvores de Decisão e técnicas de XGBoost, otimizando a alocação de recursos e reduzindo as esperas. Os resultados indicam que essa abordagem pode diminuir signifi- cativamente o tempo de triagem e proporcionar um atendimento mais rápido e adequado aos pacientes com SRAG, beneficiando tanto pacientes quanto profissionais de saúde.
dc.description.abstractHospital overcrowding has been a recurring problem, overburdening healthcare systems and resulting in long waiting queues. This project aims to optimize the triage process for patients with SARS (Severe Acute Respiratory Syndrome), reducing waiting time and improving hospital care effi ciency. The central motivation is the need for more agile triage, allowing for the treatment of a greater number of patients and creating a more effi cient relationship between patient and physician. The objective is to accelerate triage by prioritizing SARS patients through Artifi cial Intelligence (AI), using Decision Trees to identify the most urgent cases. The adopted methodology combines clinical data analysis with Decision Tree algorithms and XGBoost techniques, optimizing resource allocation and reducing waiting times. The results indicate that this approach can signifi cantly decrease triage time and provide faster and more appropriate care to SARS patients, benefi ting both patients and healthcare professionals
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/40938
dc.languagept_BR
dc.publisherUniversidade Presbiteriana Mackenzie
dc.subjecttriagem hospitalar
dc.subjectSRAG
dc.subjectinteligência artificial
dc.subjectárvores de decisão
dc.subjectXGBoost
dc.subjectotimização de tempo
dc.subjectlotação hospitalar
dc.subjecthospital triage
dc.subjectSARS
dc.subjectartificial intelligence
dc.subjectdecision trees
dc.subjectXGBoost
dc.subjecttime optimization
dc.subjecthospital overcrowding
dc.titleO uso de XGBoost para um sistema de apoio à decisão de diagnósticos de doenças respiratórias
dc.typeTCC
local.publisher.departmentFaculdade de Computação e Informática (FCI)
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
André Cunha Quintiliano de Camargo, Mateus Yoon, Pedro Augusto Ferreira Lima,.pdf
Tamanho:
805.95 KB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.22 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Ciência da Computação - TCC - FCI Higienópolis