1352199 | A ANÁLISE DO DEEP LEARNING EM CUIDADOS DE SAÚDE | Autores: Annibal José Roris Rodriguez Scavarda do Carmo|annibal.scavarda@unirio.br|engenheiro de Produção|doutor|professor|universidade Federal do Estado do Rio de Janeiro – Unirio ; Flávio Vaz Machado|fvaz649@gmail.com|professor|mestre|aluno|programa de Pós-graduação Em Enfermagem E Biociências – Universidade Federal do Estado do Rio de Janeiro – Unirio ; Isaac Marciano da Silva|isaacmarciano@yahoo.com.br|enfermeiro|especialista|aluno|centro Universitário de Volta Redonda – Unifoa ; Ilda Cecília Moreira da Silva|ilda.silva@foa.org.br|enfermeira|doutor|professor|centro Universitário de Volta Redonda – Unifoa |
Resumo: Introdução: Segundo a Organização Mundial da Saúde (OMS, 2005), _e-Health_ é o
uso de tecnologias de comunicação e informação em prol da saúde. O termo _e-
Health _pode abranger uma gama de serviços ou de sistemas, como: o _Big Data_,
a _Internet_ das Coisas e a Inteligência Artificial, incluindo uma de suas
vertentes conhecida como o _Deep Learning_, foco desta pesquisa. Objetivo:
Esta pesquisa analisa a aplicabilidade e os benefícios do_ Deep Learning_ na
área de cuidados de saúde. Método: A revisão de literatura usa o Portal de
Periódico da CAPES com a equação de busca: (“_Deep Learning” AND (“Health
Care” OR Health-care OR Healthcare_)), resultando em 30 artigos revisados por
pares e publicados de 2014 a 2019. Dos resultados provenientes desta busca, 16
artigos descrevem a aplicabilidade do _Deep Learning_ na área de Cuidados de
Saúde. Resultados: Esta pesquisa analisa a aplicabilidade do _Deep Learning_
em diversas áreas da saúde, bem como os seus benefícios. Conclusão: A presente
pesquisa sugere o emprego do _Deep Learning_ na área de Cuidados de Saúde
diante dos benefícios identificados nos artigos selecionados, como: a previsão
dos estágios das doenças, a identificação precisa de mutações patológicas e o
suporte aos médicos e aos enfermeiros em suas atividades diárias.
Contribuições: O _Deep Learning _representa uma revolução tecnológica que visa
otimizar os padrões atuais da área de Cuidados de Saúde.
Referências: Alhussein M, Muhammad G. Voice Pathology Detection Using Deep Learning on Mobile Healthcare Framework. IEEE Access [Internet]. Institute of Electrical and Electronics Engineers (IEEE); 2018;6:41034–41
Bini SA. Artificial Intelligence, Machine Learning, Deep Learning, and Cognitive Computing: What Do These Terms Mean and How Will They Impact Health Care? The Journal of Arthroplasty [Internet]. Elsevier BV; 2018 Aug;33(8):2358–61
Dai Y, Wang G. A deep inference learning framework for healthcare. Pattern Recognition Letters [Internet]. Elsevier BV; 2018 Feb.
Faust O, Hagiwara Y, Hong T, Lih O, Acharya U. Deep learning for healthcare applications based on physiological signals: A review. Computer Methods and Programs in Biomedicine, July 2018, Vol.161, pp.1-13.
Gao Y, Xiang X, Xiong N, Huang B, Lee HJ, Alrifai R, et al. Human Action Monitoring for Healthcare Based on Deep Learning. IEEE Access [Internet]. Institute of Electrical and Electronics Engineers (IEEE); 2018;6:52277–85.
Kong Z, Li T, Luo J, Xu S. Automatic Tissue Image Segmentation Based on Image Processing and Deep Learning. Journal of Healthcare Engineering [Internet]. Hindawi Limited; 2019 Jan 31;2019:1–10.
Lee JH, Kim KG. Applying Deep Learning in Medical Images: The Case of Bone Age Estimation. Healthcare Informatics Research. The Korean Society of Medical Informatics (KAMJE); 2018;24(1):86.
Liu B, Dai X, Gong H, Guo Z, Liu N, Wang X, et al. Deep Learning versus Professional Healthcare Equipment: A Fine-Grained Breathing Rate Monitoring Model. Mobile Information Systems [Internet]. Hindawi Limited; 2018;2018:1–9.
Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Deep learning for healthcare: review, opportunities and challenges. Briefings in Bioinformatics [Internet]. Oxford University Press (OUP); 2017 May 6;19(6):1236–46.
Obinikpo A, Kantarci B. Big Sensed Data Meets Deep Learning for Smarter Health Care in Smart Cities. Journal of Sensor and Actuator Networks. MDPI AG; 2017 Nov 20;6(4):26.
Organização Mundial da Saúde. Resolução WHA58.28 eHealth [Internet]. Disponível em: https://apps.who.int/iris/bitstream/handle/10665/20378/WHA58_28-en.pdf;jsessionid=29FCA109F3711C9A1CDAFC2DC48254EE?sequence=1
Pandey SK, Janghel RR. Recent Deep Learning Techniques, Challenges and Its Applications for Medical Healthcare System: A Review. Neural Processing Letters. Springer Nature; 2019 Jan 9.
Pham T, Tran T, Phung D, Venkatesh S. Predicting healthcare trajectories from medical records: A deep learning approach. Journal of Biomedical Informatics [Internet]. Elsevier BV; 2017 May;69:218–29.
Purushotham S, Meng C, Che Z, Liu Y. Benchmarking deep learning models on large healthcare datasets. Journal of Biomedical Informatics [Internet]. Elsevier BV; 2018 Jul;83:112–34.
Song Q, Zhao L, Luo X, Dou X. Using Deep Learning for Classification of Lung Nodules on Computed Tomography Images. Journal of Healthcare Engineering [Internet]. Hindawi Limited; 2017;2017:1–7.
Sugimori H. Classification of Computed Tomography Images in Different Slice Positions Using Deep Learning. Journal of Healthcare Engineering. Hindawi Limited; 2018 Jul 16;2018:1–9.
Tong C, Medsker L, Cheng L, Jafari A, Wang X. Introduction to the special issue on deep learning for biomedical and healthcare applications. Neural Computing and Applications. Springer Nature; 2018 Sep 8;30(7):2015–6.
Tran GS, Nghiem TP, Nguyen VT, Luong CM, Burie J-C. Improving Accuracy of Lung Nodule Classification Using Deep Learning with Focal Loss. Journal of Healthcare Engineering [Internet]. Hindawi Limited; 2019 Feb 4;2019:1–9.
Yuan W, Li C, Guan D, Han G, Khattak AM. Socialized healthcare service recommendation using deep learning. Neural Computing and Applications. Springer Nature; 2018 Mar 3;30(7):2071–82. |