• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
https://doi.org/10.11606/T.82.2020.tde-27022020-170654
Document
Author
Full name
Fatemeh Gholi Zadeh Kharrat
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2019
Supervisor
Committee
Delbem, Alexandre Cláudio Botazzo (President)
Marques, João Mazzoncini de Azevedo
Monaco, Francisco José
Montagnoli, Arlindo Neto
Pereira, João Porto de Albuquerque
Soares, Anderson da Silva
Title in Portuguese
FS-OPA: combinação de otimização baseada em análise de filogramas e regressão de cox aplicada a conjuntos de dados de transtornos mentais
Keywords in Portuguese
Análise de sobrevivência
Comprimento de ficar
Cox regressão
DAMICORE
Filograma
Otimização
Transtorno mental
Abstract in Portuguese
Os conjuntos de dados digitais em vários hospitais acumularam dados de milhares de pacientes por mais de uma década. Em geral, não há equipe com especialistas suficientes, com as diferentes habilidades necessárias, capazes de analisá-las por inteiro. A integração dessas habilidades geralmente exige um período relativamente longo e custa. Este projeto propõe uma nova técnica de Sensibilidade aos recursos (FS) que pode lidar automaticamente com um grande conjunto de dados. Ele usa uma estratégia de amostragem baseada em critérios da Otimização baseada em Análise de Filogramas (OPA). Chamada FS-opa, a nova abordagem parece adequada para lidar com qualquer tipo de dados brutos dos centros de saúde e manipular todo o conjunto de dados. Além disso, o FS-OPA pode encontrar os principais recursos para a construção de modelos de inferência sem depender do conhecimento especializado do domínio do problema. Os recursos selecionados podem ser combinados com métodos usuais de estatística ou aprendizado de máquina para realizar previsões. O novo método pode extrair conjuntos de dados inteiros do zero. O FS-opa foi avaliado usando um conjunto de dados relativamente grande de hospitais com transtornos mentais no Brasil. A abordagem de Cox foi integrada ao FS-opa para gerar modelos de análise de sobrevida relacionados ao tempo de permanência (LOS) em hospitais, assumindo que é um aspecto relevante que pode beneficiar estimativas da eficiência dos hospitais e da qualidade dos tratamentos dos pacientes. Como o FS-opa pode trabalhar com conjuntos de dados brutos, nenhum conhecimento do domínio do problema foi usado para obter os modelos de previsão preliminares encontrados. Os resultados mostram que o FS-opa conseguiu realizar uma análise de sensibilidade dos recursos usando apenas os dados brutos disponíveis. Dessa forma, o FS-opa pode encontrar os principais recursos sem viés de um modelo de inferência, uma vez que o método proposto não o utiliza. Além disso, os experimentos mostram que o FS-opa pode fornecer aos modelos uma troca útil de acordo com sua representatividade e parcimônia. Pode beneficiar análises adicionais por especialistas, pois eles podem se concentrar em aspectos que beneficiam a modelagem de problemas.
Title in English
FS-OPA: combination of optimization based on phylogram analysis and cox regression applied to mental disorder datasets.
Keywords in English
Cox regression
DAMICORE
Length of stay (LOS)
Mental disorders
Optimization
Phylogram
Survival analysis
Abstract in English
Digital datasets in several hospitals accumulated data from thousands of patients for more than a decade. In general, there is no team with enough experts with the required different skills capable of analyzing them in entirety. The integration of those abilities usually demands a relatively long-period and is cost. This project proposes a new Feature Sensitivity (FS) technique that can automatically deal with a large dataset. It uses a criterion-based sampling strategy from the Optimization based on Phylogram Analysis (OPA). Called FS-opa, the new approach seems proper for dealing with any types of raw data from health centers and manipulate their entire datasets. Besides, FS-OPA can find the principal features for the construction of inference models without depending on expert knowledge of the problem domain. The selected features can be combined with a usual statistical or machine learning methods to perform predictions. The new method can mine entire datasets from scratch. FS-opa was evaluated using a relatively large dataset from mental disorder hospitals in Brazil. Cox's approach was integrated to FS-opa to generate survival analysis models related to the length of stay (LOS) in hospitals, assuming that it is a relevant aspect that can benefit estimates of the efficiency of hospitals and the quality of patient treatments. Since FS-opa can work with raw datasets, no knowledge from the problem domain was used to obtain the preliminary prediction models found. Results show that FS-opa succeeded in performing a feature sensitivity analysis using only the raw data available. In this way, FS-opa can find the principal features without bias of an inference model, since the proposed method doesn't use it. Moreover, the experiments show that FS-opa can provide models with a useful trade-off according to their representativeness and parsimony. It can benefit further analyses by experts since they can focus on aspects that benefit problem modeling.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2020-03-16
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2021. All rights reserved.