Data mining - projfeup/submit_16_17/uploads/apresent_1... · Data mining –Tomada de decisões eficazes

  • View
    214

  • Download
    0

Embed Size (px)

Text of Data mining - projfeup/submit_16_17/uploads/apresent_1... · Data mining –Tomada de decisões...

  • Data miningSISTEMAS DE SADE

    Equipa 05_02:

    Claudia Ferreira

    Toms Rocha

    Patrcia Mendes

    Moiss Coelho

    Rui Morais

    Supervisor:

    Lus Guimares

    Monitor:

    Jorge Ferreira

  • Sumrio

    1. Conceito

    2. Tcnicas

    3. Casos de aplicao

    4. Softwares de Data Mining

    5. Limitaes de desafios

  • Conceito de Data mining

    Data mining uma disciplina que incluiu estatstica, tecnologias de

    base de dados, reconhecimento de padres, machine learning, entre

    outras reas.

    (Hand, 1998)

    1

  • Data mining Tomada de decises eficazes 2

  • 2. Tcnicas de Data mining 3

    Clustering Regras de associao

  • Tcnicas de Data mining 4

    rvores de deciso Redes neuronais

  • Tarefas do Data mining

    Descrio

    Classificao

    Estimao/Regresso

    Previso

    Sequenciao

    5

  • Data mining associado hipertenso

    Objetivo:

    Recolha de informaes que facilitem o controlo da hipertenso.

    Metodologia:

    1. Seleo de registos de pacientes com e sem hipertenso, em igual nmero. A informao abrange dados biomdicos (altura, peso, etc.) e outros (como a taxa de fumadores).

    2. Aplicao das tcnicas de regresso, previso (rvore de deciso) e associao.

    6

  • Data mining associado hipertenso

    Resultados:

    Tcnica de regresso

    Tcnica de previso

    Tcnica de associao

    7

  • Data mining associado hipertenso

    Concluso:

    Estas metodologias so bastante teis e eficazes na descoberta de padres associados doena da hipertenso, apesar das limitaes subjacentes ao conjunto de dados utilizados.

    8

  • Casos fraudulentos e de abuso hospitalar

    Objetivo:

    Desenvolvimento de um processo para a deteno de casos abusivos ou fraudulentos nos sistemas de sade.

    Metodologia:

    1. Seleo de dados de pacientes do Departamento de Ginecologia de Taiwan.

    2. Eliminao de registos incoerentes e leitura por especialistas dos restantes casos.

    3. Criao de uma base de dados com a mesma quantidade de casos normais e fraudulentos.

    9

  • Casos fraudulentos e de abuso hospitalar

    Resultados:

    Sensitivity- 64% (percentagem de casos fraudulentos detetados mediante o total de casos desse tipo)

    Specificity- 67% (percentagem de casos normais identificados no total existente)

    10

  • Casos fraudulentos e de abuso hospitalar

    Concluses:

    uma aplicao diferente de Data Mining.

    Foi possvel identificar as caratersticas discriminatrias predominantes em casos fraudulentos.

    O software mostrou-se eficiente na deteo de grande parte dos casos abusivos e fraudulentos usados no teste.

    11

  • Sistema WEKA e sistemas CAD 12

  • Limitaes e desafios do Data mining

    A nvel dos resultados

    A nvel legal/tico

    A nvel tecnolgico

    13

  • Agradecemos a vossa ateno