Mostrar el registro sencillo del ítem

dc.contributor.advisorPilger, Diogopt_BR
dc.contributor.authorVeleda, William Silva Jesuspt_BR
dc.date.accessioned2022-05-03T04:50:11Zpt_BR
dc.date.issued2019pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/238153pt_BR
dc.description.abstractO 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.abstractThe 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.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectSistemas de informação em farmácia clínicapt_BR
dc.subjectMachine learningen
dc.subjectAprendizado de máquinapt_BR
dc.subjectClinical pharmacyen
dc.subjectFarmáciapt_BR
dc.subjectPharmacyen
dc.subjectHealthcareen
dc.subjectPredictionen
dc.titlePanorama do machine learning em farmácia clínicapt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.identifier.nrb001125451pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentFaculdade de Farmáciapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2019pt_BR
dc.degree.graduationFarmáciapt_BR
dc.degree.levelgraduaçãopt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem