| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Ralha, Célia Ghedini | - |
| dc.contributor.author | Segato, Tiago Henrique Faccio | - |
| dc.date.accessioned | 2021-10-26T18:12:40Z | - |
| dc.date.available | 2021-10-26T18:12:40Z | - |
| dc.date.issued | 2021-10-26 | - |
| dc.date.submitted | 2021-08-05 | - |
| dc.identifier.citation | SEGATO, Tiago Henrique Faccio. Solução orientada a agentes inteligentes para controle glicêmico de pacientes internados em UTI. 2021. 75 f., il. Dissertação (Mestrado em Informática)—Universidade de Brasília, Brasília, 2021. | pt_BR |
| dc.identifier.uri | https://repositorio.unb.br/handle/10482/42175 | - |
| dc.description | Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021. | pt_BR |
| dc.description.abstract | Este trabalho apresenta uma solução baseada em agentes inteligentes para controle gli-
cêmico (MAS4GC - Multi-Agent System for Glycemic Control) de pacientes críticos in-
ternados em UTI. O controle glicêmico está incluído no mnemônico FAST HUG, este
é utilizado para lembrar os profissionais da saúde dos itens essenciais no tratamento e
suporte aos pacientes criticamente enfermos. Mais especificamente, o MAS4GC gerencia
a glicemia dos pacientes por meio de predições glicêmicas, além de fazer recomendações
de monitoramento e tratamento aos profissionais de saúde. Os modelos de predição são
aplicados para monitorar os níveis de glicose no sangue dos pacientes, permitindo que
os profissionais de saúde realizem acompanhamento preventivo. As recomendações se
baseiam nos mecanismos de inferência dos agentes que atuam com regras de produção de-
finidas segundo conhecimento de um médico especialista em terapia intensiva. O processo
de desenvolvimento metodológico do MAS4GC é apresentado por meio da modelagem
Tropos, projeto arquitetônico e implementação com o framework PADE. Dois experimen-
tos foram conduzidos para avaliar os resultados do MAS4GC utilizando dados sintéticos
de pacientes. Os resultados considerando os pacientes críticos incluem: (1) o modelo de
predição alcançou 90% de precisão de glicose no sangue para as próximas quatro horas e
(2) 88% de similaridade das recomendações de tratamento em comparação com um espe-
cialista humano, além de 96% nas recomendações para monitorar a glicemia de pacientes
críticos. | pt_BR |
| dc.language.iso | Português | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Solução orientada a agentes inteligentes para controle glicêmico de pacientes internados em UTI | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Sistemas multiagentes | pt_BR |
| dc.subject.keyword | Controle glicêmico | pt_BR |
| dc.subject.keyword | Unidade de terapia intensiva | pt_BR |
| dc.subject.keyword | Raciocínio baseado em regras | pt_BR |
| dc.subject.keyword | Modelos de predição | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.description.abstract1 | This work presents a solution based on intelligent agents for glycemic control (MAS4GC
- Multi-Agent System for Glycemic Control) of critically ill patients admitted to the ICU.
Glycemic control is included in the FAST HUG mnemonic, which is used to remind health
professionals of the essential items in the treatment and support of critically ill patients.
More specifically, the MAS4GC manages patients’ blood glucose through glycemic pre-
dictions, in addition to making monitoring and treatment recommendations to healthcare
professionals. Prediction models are applied to monitor patients’ blood glucose levels, al-
lowing healthcare professionals to perform preventive monitoring. The recommendations
are based on the inference mechanisms of agents who work with defined production rules
according to the knowledge of a physician specialized in intensive care. The MAS4GC
methodological development process is presented through Tropos modeling, architectural
design, and implementation with the PADE framework. Two experiments were conducted
to evaluate the results of the MAS4GC using synthetic patient data. Results considering
critical patients include: (1) the prediction model achieved 90% blood glucose accuracy
for the next four hours and (2) 88% similarity of treatment recommendations compared
to a human specialist, in addition to 96% in the recommendations for monitoring blood
glucose in critically ill patients. | pt_BR |
| dc.description.unidade | Instituto de Ciências Exatas (IE) | pt_BR |
| dc.description.unidade | Departamento de Ciência da Computação (IE CIC) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Informática | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
