Emerging patterns of tuberculosis drug-resistant by data mining with association rules (Apriori): using the R-library tbdr19prediction

Chinedozie, Godsgood Chris

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/22025

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Pinheiro, Rejane Sobrino	-
dc.contributor.author	Chinedozie, Godsgood Chris	-
dc.date.accessioned	2023-11-09T16:12:12Z	-
dc.date.available	2023-12-21T03:02:00Z	-
dc.date.issued	2023-08-22	-
dc.identifier.uri	http://hdl.handle.net/11422/22025	-
dc.language	eng	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Tuberculosis	pt_BR
dc.subject	Tuberculose	pt_BR
dc.subject	Mineração de dados	pt_BR
dc.subject	Data mining	pt_BR
dc.subject	R-linguagem	pt_BR
dc.subject	R-language	pt_BR
dc.title	Emerging patterns of tuberculosis drug-resistant by data mining with association rules (Apriori): using the R-library tbdr19prediction	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorCo1	Bastos , Valeria Menezes	-
dc.contributor.referee1	Coeli, Claudia Medina	-
dc.contributor.referee2	França, Juliana Baptista dos Santos	-
dc.description.resumo	A tuberculose (TB) é uma das 10 principais causas de morte no Brasil, aproximadamente 70.000 novos casos são notificados a cada ano e há aproximadamente 4.500 mortes por tuberculose. A resistência a medicamentos em Mycobacterium tuberculosis surge de mutações cromossômicas espontâneas em baixa frequência, a tuberculose droga resistente (TBDR) clínica ocorre em grande parte como resultado da seleção feita pelo individuo durante o tratamento da doença dessas alterações genéticas por meio de fornecimento errático de medicamentos, prescrição médica abaixo do ideal e paciente pobre aderência. Diante disso, tornou-se necessário desenvolver um algoritmo de mineração de dados para produzir modelos preditivos, visando analisar padrões emergentes. Para atingir esse objetivo, a implementação de um algoritmo de regra de associação com a apriori foi a escolha mais adequada, permitindo a identificação de padrões ligados a desfechos desfavoráveis como abandono, falência e morte. Além disso, as regras válidas obtidas do modelo preditivo foram exploradas e analisadas, fornecendo novos conhecimentos para identificar itens significativos de pacientes vulneráveis para cada desfecho desfavorável.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
GCChinedozie.pdf		2.02 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository