???jsp.display-item.social.title??? |
![]() ![]() |
Please use this identifier to cite or link to this item:
https://tede.ufam.edu.br/handle/tede/10233
???metadata.dc.type???: | Dissertação |
Title: | Otimização do processo de vacinação por meio de Machine Learning e dispositivos IoT: monitoramento de doses aplicadas e recomendações baseadas em dados |
Other Titles: | Optimization of the Vaccination Process through Machine Learning and IoT Devices: Monitoring of Applied Doses and Data-Based Recommendations. |
???metadata.dc.creator???: | Santos, Jaco Miranda dos ![]() |
???metadata.dc.contributor.advisor1???: | Lucena Junior, Vicente Ferreira de |
???metadata.dc.contributor.referee1???: | Simões, Walter Charles Sousa Seiffert |
???metadata.dc.contributor.referee2???: | Silva, Vandermi João da |
???metadata.dc.description.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 |
Abstract: | The vaccination campaign plays a crucial role in protecting public health, especially during periods of epidemiological outbreaks and pandemics. However, data collection and management during this process, in particular the control of vial quantities, doses and temperature, continue to face significant challenges. Some of the data recording activities, such as monitoring the quantity of doses and temperature, are carried out manually, which can result in delays in service, recording errors and lack of efficiency. Analytical reports that synthesize data from records by remote sensing devices are generally used for visualization and decision making. In this context, this work presents an approach to optimize the monitoring process through a method that uses a model generated by Machine Learning to suggest recommendations based on the daily target and weather data from the OpenWeather API. The data was simulated using Internet of Things (IoT) devices with LoRa communication and RFID technology. Seven models were trained using GridSearchCV to optimize the process of tuning the best hyperparameters and selecting the best classification model. The Gradient Boosting algorithm achieved the best performance with an accuracy of approximately 96.3% and Best Parameters result: 'learning_rate': 0.1, 'max_depth': 3, 'n_estimators': 200. The data was retrieved and presented in a dashboard of Power BI. The use of Machine Learning and remote sensing technology in data management during the vaccination process represents a significant advance for public health. Automating collection, generating information and forecasting demands are fundamental to ensuring a quick and accurate response in emergency situations, such as outbreaks of contagious diseases. Furthermore, the technology used can be adapted and expanded to other healthcare contexts, providing greater efficiency and effectiveness in various areas of medicine, such as organ transplantation, for example |
Keywords: | . . . |
???metadata.dc.subject.cnpq???: | CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO |
???metadata.dc.subject.user???: | Machine learning Internet of things lora Gridshearchcv Cold chain |
Language: | por |
???metadata.dc.publisher.country???: | Brasil |
Publisher: | Universidade Federal do Amazonas |
???metadata.dc.publisher.initials???: | UFAM |
???metadata.dc.publisher.department???: | Instituto de Computação |
???metadata.dc.publisher.program???: | Programa de Pós-graduação em Informática |
Citation: | SANTOS, Jacó Miranda dos. Otimização do processo de vacinação por meio de Machine Learning e dispositivos IoT: monitoramento de doses aplicadas e recomendações baseadas em dados. 2024. 73 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2024. |
???metadata.dc.rights???: | Acesso Aberto |
???metadata.dc.rights.uri???: | https://creativecommons.org/licenses/by-nc-nd/4.0/ |
URI: | https://tede.ufam.edu.br/handle/tede/10233 |
Issue Date: | 19-Feb-2024 |
Appears in Collections: | Mestrado em Informática |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
DISS_JacoSantos_PPGI.pdf | 3.84 MB | Adobe PDF | ![]() Download/Open Preview |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.