Panorama do machine learning em farmácia clínica
dc.contributor.advisor | Pilger, Diogo | pt_BR |
dc.contributor.author | Veleda, William Silva Jesus | pt_BR |
dc.date.accessioned | 2022-05-03T04:50:11Z | pt_BR |
dc.date.issued | 2019 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/10183/238153 | pt_BR |
dc.description.abstract | O objetivo dessa revisão foi apresentar um panorama do machine learning na área da farmácia clínica. A seleção do melhor cenário (supervisionado, não-supervisionado, semi-supervisionado ou aprendizagem por reforço) para os modelos de machine learning depende da qualidade, disponibilidade e tipo de dados, assim como dos algoritmos envolvidos e do pré-processamento dos dados. Quatro artigos abordaram o machine learning em farmácia clínica, dos quais dois referentes ao monitoramento do nível sérico e os outros dois artigos referentes à validação de prescrição. Além disso, três artigos utilizaram o aprendizado supervisionado, enquanto um utilizou o método não-supervisionado. De um modo geral, os autores apresentaram resultados favoráveis ao uso de modelos de machine learning. Dentre os algoritmos testados, random forest e redes neurais artificiais foram os mais testados, seguidos por support vector machine. Assim, é possível empregar facilmente os modelos em qualquer lugar do mundo. | pt_BR |
dc.description.abstract | The aim of this review was to present an overview of machine learning in clinical pharmacy. Selecting the best scenario (supervised, unsupervised, semi-supervised, or reinforcement learned) for machine learning models depends on the quality, availability, and type of data, such as the algorithms involved and the data preprocessing. Four articles addressed or machine learning in clinical pharmacy, two of which are related to serum level monitoring and the other two are related to prescription validation. In addition, three articles used or supervised learning while an unsupervised method is used. Overall, the authors reported favorable results for the use of machine learning models. Among the tested algorithms, random forest and artificial neural networks were most tested, followed by support vector machine. This makes it possible to easily employ models anywhere in the world. | en |
dc.format.mimetype | application/pdf | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | Open Access | en |
dc.subject | Sistemas de informação em farmácia clínica | pt_BR |
dc.subject | Machine learning | en |
dc.subject | Aprendizado de máquina | pt_BR |
dc.subject | Clinical pharmacy | en |
dc.subject | Farmácia | pt_BR |
dc.subject | Pharmacy | en |
dc.subject | Healthcare | en |
dc.subject | Prediction | en |
dc.title | Panorama do machine learning em farmácia clínica | pt_BR |
dc.type | Trabalho de conclusão de graduação | pt_BR |
dc.identifier.nrb | 001125451 | pt_BR |
dc.degree.grantor | Universidade Federal do Rio Grande do Sul | pt_BR |
dc.degree.department | Faculdade de Farmácia | pt_BR |
dc.degree.local | Porto Alegre, BR-RS | pt_BR |
dc.degree.date | 2019 | pt_BR |
dc.degree.graduation | Farmácia | pt_BR |
dc.degree.level | graduação | pt_BR |
Files in this item
This item is licensed under a Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)