@PHDTHESIS{ 2023:1473643178,
 	title = {Classificação da doença arterial coronariana usando a variabilidade da frequência cardíaca: uma abordagem de rede neural profunda com explicação agnóstica de Modelo Interpretável Localmente (LIME)},
 	year = {2023},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/5456",
 	abstract = "Introdução: A Doença Arterial Coronariana é umas das doenças cardiovasculares
 que mais mata no mundo hoje. O Aprendizado de Máquina tem sido amplamente
 aplicado para detectar precocemente indicadores de risco de doença cardiovascular
 em pacientes no mundo inteiro. Entretanto, modelos complexos e sem clareza para
 os profissionais da saúde impedem e dificultam a implementação dos modelos de
 Aprendizado de Máquina em escala. Objetivo: Visamos aplicar um Rede Neural
 Profunda capaz de detectar sujeitos com Doença Arterial Coronariana de sujeitos
 saudáveis, usando índices de Variabilidade da Frequência Cardíaca como
 parâmetro, com o menor número possível de variáveis, aumentando a confiança nos
 resultados do modelo e fazendo a coleta de dados para a implantação do modelo
 em um ambiente clínico. Métodos: Utilizamos dados coletados de
 eletrocardiogramas 24h (holter) do banco de dados Telemetric and Holter
 Electrocardiogram Warehouse (THEW) de 354 pacientes. Os dados de variabilidade
 da frequência cardíaca foram extraídos dos holters e funcionaram como entrada de
 uma rede neural profunda, e as variáveis mais explicativas dos modelos foram
 encontradas usando o algoritmo de explicação local agnóstica de modelo (LIME).
 Resultados: O domínio do tempo e da frequência mostrou maior precisão e menor
 perda. O LIME foi usado para identificar as cinco variáveis mais explicativas, que
 mais tarde foram reintroduzidas no modelo separadamente. A precisão de previsão
 e a perda foram mantidas, indicando que as variáveis destacadas pela LIME foram as mais importantes e mais explicativas. Conclusão: Os dados de variabilidade da
 frequência cardíaca podem ser usados para classificar a doença arterial coronariana
 de indivíduos saudáveis usando redes neurais profundas, e a LIME pode simplificar
 o modelo, aumentando sua confiabilidade.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM BIOTECNOLOGIA - RENORBIO/CCBS},
 	note = {DEPARTAMENTO  DE CIÊNCIAS FISIOLÓGICAS/CCBS}
}