Data miningSISTEMAS DE SAÚDE

Equipa 05_02:

Claudia Ferreira

Tomás Rocha

Patrícia Mendes

Moisés Coelho

Rui Morais

Supervisor:

Luís Guimarães

Monitor:

Jorge Ferreira

Sumário

1. Conceito

2. Técnicas

3. Casos de aplicação

4. Softwares de Data Mining

5. Limitações de desafios

Conceito de Data mining

Data mining é uma disciplina que incluiu estatística, tecnologias de

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

outras áreas.

(Hand, 1998)

1

Data mining – Tomada de decisões eficazes 2

2. Técnicas de Data mining 3

Clustering Regras de associação

Técnicas de Data mining 4

Árvores de decisão Redes neuronais

Tarefas do Data mining

• Descrição

• Classificação

• Estimação/Regressão

• Previsão

• Sequenciação

5

Data mining associado à hipertensão

Objetivo:

Recolha de informações que facilitem o controlo da hipertensão.

Metodologia:

1. Seleção de registos de pacientes com e sem hipertensão, em igual número. A informação abrange dados biomédicos (altura, peso, etc.) e outros (como a taxa de fumadores).

2. Aplicação das técnicas de regressão, previsão (árvore de decisão) e associação.

6

Data mining associado à hipertensão

Resultados:

Técnica de regressão

Técnica de previsão

Técnica de associação

7

Data mining associado à hipertensão

Conclusão:

Estas metodologias são bastante úteis e eficazes na descoberta de padrões associados à doença da hipertensão, apesar das limitações subjacentes ao conjunto de dados utilizados.

8

Casos fraudulentos e de abuso hospitalar

Objetivo:

Desenvolvimento de um processo para a detenção de casos abusivos ou fraudulentos nos sistemas de saúde.

Metodologia:

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

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

3. Criação 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

Conclusões:

É uma aplicação diferente de Data Mining.

Foi possível identificar as caraterísticas discriminatórias predominantes em casos fraudulentos.

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

11

Sistema WEKA e sistemas CAD 12

Limitações e desafios do Data mining

A nível dos resultados

A nível legal/ético

A nível tecnológico

13

Agradecemos a vossa atenção