ESTRATÉGIA LOW-CODE COM APRENDIZADO DE MÁQUINA PARA A ÁREA DE SAÚDE: AVALIANDO A CORRELAÇÃO DA ATIVIDADE OCUPACIONAL COM A INCIDÊNCIA DE CÂNCER NO BRASIL

Rafael Luz de QUEIROZ, Joberto S. B. MARTINS

Resumo


inteligência artificial e o aprendizado de máquina (machine learning) têm sido largamente utilizados com grandes benefícios em diversas áreas do conhecimento, inclusive na área de saúde. Entretanto, existe uma barreira importante na disseminação do uso do aprendizado de máquina entre os profissionais da área de saúde que consiste, principalmente, na sua não familiaridade com os conceitos de programação. A estratégia de desenvolvimento denominada ’low-code’, quando aplicada ao desenvolvimento de software, inclui arcabouços e ferramentas que, em resumo, tornam o desenvolvimento de software mais acessível para comunidades de profissionais. Essa estratégia é relevante para as cidades inteligentes que visam desenvolver abordagens que possam tornar as cidades mais eficientes, humanas e sustentáveis e contribui para o alcance dos objetivos de desenvolvimento sustentável (ODS) da ONU. Esse artigo posiciona a estratégia low-code através do arcabouço PyCaret como uma inovação e contribuição para o desenvolvimento de sistemas para a saúde em cidades inteligentes. Um estudo de caso que avalia a incidência e a correlação de atividades ocupacionais com a ocorrência de câncer no Brasil usando um algoritmo de detecção de anomalias apresenta a estratégia low-code. As contribuições do artigo incluem o posicionamento da estratégia low-code como inovação em cidades inteligentes e a apresentação de um estudo de caso como base de desenvolvimento de aplicações na área de saúde. O estudo de caso apresentado apresenta uma abordagem diferenciada de detecção de câncer usando um algoritmo de detecção de anomalia e reitera correlações da incidência de determinados tipos de câncer com relação às atividades ocupacionais.

Palavras-chave: Estratégia Low-Code. Aprendizado de Máquina. Área de Saúde. Cidade Inteligente. Detecção de Anomalia


Texto completo:

PDF

Referências


BRASIL. MINISTE´RIO DA SAU´DE. (2024). DATASUS. Tabnet. Bras´ılia, DF: Ministe´rio da Saúde, 2024.

LBINO, V., BERARDI, U., AND DANGELICO, R. M. (2015). Smart Cities: Definitions, Dimensions,Performance, and Initiatives. Journal ofUrban Technology, 22(1):3–21.

ALI, M. (2023). Announcing PyCaret 3.0 — An open-source, low-code machine learninglibrary in Python.

BAO, J., SUN, H., DENG, H., HE, Y., ZHANG, Z., AND LI, X. (2023). BMAD: Benchmarks for Medical Anomaly Detection.

BREUNIG, M. M., KRIEGEL, H.-P., NG, R. T., AND SANDER, J. (2000). LOF: Identifying Density-Based Local Outliers. SIGMOD Rec., 29(2):93–104.

CARVALHO, H. V. F. D., CARVALHO, E. C., ARRUDA, H., IMPERATRIZ-FONSECA, V., SOUZA, P. D., ANDPESSIN, G. (2018). Detecc¸a˜o de Anomalias em Comportamento de Abelhas Utilizando Redes Neurais Recorrentes. In Workshop de Computação Aplicada à Gestão do M

eio Ambiente e Recursos Naturais. ISSN: 2595-6124.

DAMETTO, M., VECHI, S. M., AND BONACIN, R. (2022). Predicting Cancer Relapse with Machine Learning from an Open Brazilian Database. In 2022. E-Health and BioengineeringConference (EHB), pages 1–4. ISSN: 2575-5145.

ESCORCIA GUZMAN, J. H., ZULUAGA-ORTIZ, R. A., BARRIOS-MIRANDA, D. A., AND DELAHOZ DOMINGUEZ, E. J. (2022). Information and Comm

unication Technologies (ICT) in the Processes of Distribution and Use of Knowledge in Higher Education Institutions (HEIS). Procedia Computer

Science, 198:644–649.


Apontamentos

  • Não há apontamentos.


JNT - Facit Business and Technology Journal

ISSN 2526-4281