Dissertação

Otimização do processo de vacinação por meio de Machine Learning e dispositivos IoT: monitoramento de doses aplicadas e recomendações baseadas em dados

A campanha de vacinação desempenha um papel crucial na proteção da saúde pública, especialmente em períodos de surtos epidemiológicos e pandemias. No entanto, a coleta e gestão de dados durante esse processo, em particular o controle de quantidades de frascos, doses e temperatura, continuam a enfren...

ver descrição completa

Autor principal: Santos, Jaco Miranda dos
Outros Autores: http://lattes.cnpq.br/8838867187831091, https://orcid.org/0000-0001-7763-2768
Grau: Dissertação
Idioma: por
Publicado em: Universidade Federal do Amazonas 2024
Assuntos:
.
.
.
Acesso em linha: https://tede.ufam.edu.br/handle/tede/10233
Resumo:
A campanha de vacinação desempenha um papel crucial na proteção da saúde pública, especialmente em períodos de surtos epidemiológicos e pandemias. No entanto, a coleta e gestão de dados durante esse processo, em particular o controle de quantidades de frascos, doses e temperatura, continuam a enfrentar desafios significativos. Algumas das atividades de registro de dados, como o monitoramento da quantidade de doses e da temperatura, são realizadas manualmente, o que pode resultar em atraso no atendimento, em erros de registros e falta de eficiência. Relatórios analíticos que sintetizam dados oriundos de registros por dispositivos de sensoriamento remoto são geralmente utilizado para visualização e tomada de decisão. Nesse contexto, este trabalho apresenta um método para otimizar o processo de monitoramento que utiliza um modelo gerado por Machine Learning para sugerir recomendações com base na meta diária e dados climáticos da openweather API. Os dados foram simulados utilizando-se dispositivos de Internet das Coisas (IoT) com comunicação LoRa e tecnologia RFID. Sete modelos foram treinados por meio do GridSearchCV para otimizar o processo de ajuste dos melhores hiperparâmetros e seleção do melhor modelo de classificação. O algoritmo Gradient Boosting obteve o melhor desempenho com a acurácia de aproximadamente 96,3% e resultado de Best Parameters: 'learning_rate': 0.1, 'max_depth': 3, 'n_estimators': 200. Os dados foram recuperados e apresentados em um dashboard do Power BI. A utilização do Machine Learning e tecnologia de sensoriamento remoto na gestão de dados durante o processo vacinal representa um avanço significativo para a saúde pública. A automatização da coleta, da geração de informação e a previsão de demandas são fundamentais para garantir uma resposta rápida e precisa em situações de emergência, como surtos de doenças contagiosas. Além disso, a tecnologia empregada pode ser adaptada e expandida para outros contextos de saúde, proporcionando maior eficiência e eficácia em diversas áreas da medicina como transplante de órgão por exemplo