Browsing by Issue Date, starting with "2025-01-27"

Now showing 1 - 2 of 2

Plataforma web de consulta de possíveis alterações visuais e oculares gerado por uso de fármaco
(Universidade de Mogi das Cruzes, 2025-01-27) Santana, Marcelo Jesus de; Martini, Silvia Cristina
Medicamentos podem apresentar efeitos colaterais que impactam diretamente a saúde visual e ocular, gerando sintomas que dificultam diagnósticos precisos do sistema ocular e podem até levar a danos irreversíveis, como a cegueira. O uso crescente desses medicamentos destaca a necessidade de ferramentas que auxiliem profissionais da saúde na prevenção desses efeitos adversos. Atualmente, as tecnologias disponíveis no mercado são voltadas majoritariamente para o diagnóstico, carecendo de recursos para a consulta preventiva quanto aos riscos relacionados à visão. Este trabalho teve como objetivo desenvolver uma plataforma web destinada à consulta de possíveis efeitos colaterais na visão e nos olhos associados ao uso de medicamentos, servindo como ferramenta de apoio para profissionais da saúde visual e ocular na prevenção de sinais e sintomas decorrentes do uso de fármacos. Foi realizada uma revisão bibliográfica em bases científicas como PubMed, Scopus, Web of Science e Google Scholar, com o intuito de identificar os efeitos colaterais relacionados ao uso de medicamentos e avaliar as tecnologias existentes na área. Também foi feita uma busca por aplicativos e softwares nas plataformas Google Play Store, Apple Store e Windows Store para verificar a existência de ferramentas similares voltadas à consulta preventiva. Com base nas informações obtidas, foi desenvolvido um sistema utilizando princípios de Engenharia de Software, Modelagem de banco de dados e foco na experiência do autor. A revisão evidenciou que as tecnologias atualmente disponíveis se concentram exclusivamente no diagnóstico, sem oferecer suporte à consulta preventiva dos efeitos adversos oculares de medicamentos. Diante dessa lacuna, foi criada uma plataforma web com um sistema de busca eficiente baseado na análise de 500 bulas de medicamentos, permitindo ao usuário acessar rapidamente informações sobre potenciais efeitos colaterais visuais. A estrutura da plataforma organiza os dados de forma intuitiva e acessível, proporcionando apoio prático aos profissionais da área. A plataforma desenvolvida representa uma inovação ao oferecer uma ferramenta preventiva voltada à saúde visual e ocular, suprindo uma lacuna observada nas tecnologias atualmente disponíveis. Ao disponibilizar informações relevantes sobre medicamentos e seus possíveis efeitos colaterais, a solução contribui para a promoção da saúde dos pacientes e para a tomada de decisões mais assertivas por parte dos profissionais da área.
Visão computacional para detecção de câncer em imagens de citologia cervical
(Universidade de Mogi das Cruzes, 2025-01-27) Croffi, Leticia Brum; Martini, Silvia Cristina
Este estudo investigou o uso de redes neurais convolucionais (CNNs) e Vision Transformers (ViTs) na classificação de imagens de citologia cervical, abrangendo células normais e anormais. O objetivo principal era desenvolver um método de processamento de imagens de citologia cervical para detecção de câncer cervical em imagens de citologia cervical. A citologia cervical apresenta desafios significativos devido à alta variabilidade das amostras e à necessidade de diagnósticos precisos para evitar falsos negativos e positivos. Ao revisar estudos e modelos já utilizados, foi proposto um experimento de combinar as capacidades das CNNs para capturar características locais e dos ViTs para identificar características, buscando melhorar o desempenho em cenários ainda não testados. Foram utilizados o modelo EfficientNetb4 (CNN) e o modelo DeiT3-base (ViT), avaliados individualmente e combinados em paralelo com a soma de características extraídas. Os dados consistiram em imagens de conjuntos públicos e de fontes externas, simulando condições próximas à prática clínica. A análise de explicação foi realizada por meio do Grad-CAM, visando garantir maior transparência nos processos de classificação. A interpretabilidade dos modelos é fundamental para sua aplicação na área da saúde, pois permite avaliar se as decisões do modelo estão baseadas em características relevantes ou se são influenciadas por ruídos. Os resultados mostraram que o modelo DeiT3-base apresentou a melhor performance, com sensibilidade de 79,2%, especificidade de 74,7% e AUC de 0,77. O modelo EfficientNet-b4 alcançou sensibilidade de 76,6%, especificidade de 41,7% e AUC de 0,59, enquanto a combinação dos modelos não resultou em melhorias significativas, apresentando sensibilidade de 50,6%, especificidade de 73,0% e AUC de 0,62. Apesar do desempenho promissor do DeiT3, a elevada ocorrência de falsos negativos no conjunto de teste evidencia a necessidade de avanços na adaptação de modelos a imagens sem filtragem. Como sugestões futuras, destaca-se a exploração de outras arquiteturas CNN, técnicas mais eficazes de fusão e abordagens robustas para melhorar a qualidade dos dados de entrada. Este estudo contribui para o avanço do uso de inteligência artificial em aplicações clínicas, enfatizando a importância da explicação e da confiabilidade em sistemas de apoio ao diagnóstico.