Redes bayesianas aplicadas ao diagnóstico de Covid-19
Keywords:
Redes Bayesianas, Diagnóstico, Covid-19, Aprendizado de MáquinaAbstract
O procedimento de determinar o diagnóstico médico de um dado paciente pode ser visto sob a ótica Bayesiana, como um processo que inicia-se com a coleta de um conjunto X de evidências, como sintomas e resultados de exames, com o intuito de estimar a probabilidade de ocorrência de um possível diagnóstico Y, ou seja, deseja-se estimar P(Y|X). Sob essa ótica, trabalhos buscam encontrar semelhanças entre o raciocínio clínico e o pensamento Bayesiano. Nesse contexto, um desafio científico relevante consiste em desenvolver modelos matemáticos e computacionais que considerem o raciocínio clínico na busca de identificar padrões em bases de dados que possam auxiliar os profissionais de saúde na tomada de decisão. Essa é uma das áreas de aplicação mais proeminentes de aprendizado de máquina supervisionado.
Downloads
References
L. F. et al. Dantas. “App-based symptom tracking to optimize SARS-CoV-2 testing strategy using machine learning”. Em: PLoS One 16.3 (2021), e0248920. doi: 10.1371/journal.pone.0248920.
C. J Gill, L. Sabin e C. H. Schmid. “Why clinicians are natural bayesians”. Em: The BMJ 330.7499 (2005), pp. 1080–1083. doi: 10.1136/bmj.330.7499.1080.
K. B. Korb e A. E. Nicholson. Bayesian artificial intelligence. 2a. ed. Boca Raton: CRC press, 2010. isbn: 9781439815915.
A. M. Lipsky e R. J. Lewis. “Placing the Bayesian network approach to patient diagnosis in perspective”. Em: Annals of emergency medicine 45.3 (2005), pp. 291–294. doi: 10.1016/j.annemergmed.2004.10.006.
M. Scutari. “Learning Bayesian Networks with the bnlearn R Package”. Em: Journal of Statistical Software 35.3 (2010), pp. 1–22. doi: 10.18637/jss.v035.i03.
