RESUMO
Objetivo: Investigar aplicação de diferentes métodos de representação de textos por vetores de pesos com classificador bayesiano para classificação automática de conteúdos web de saúde em português. Métodos: Foi utilizado conjunto de 3.702 páginas web de saúde em português dividido em 19 categorias provenientes do Open Directory Project. Foram comparados desempenho de 4 métodos de representação de textos por vetores de pesos utilizados com o classificador Naive Bayes, medidos por revocação, precisão e F2, considerando da primeira à quinta posições dos rankings de relevância de categorias. Resultados: A representação dos textos por ocorrência dos termos utilizada com o classificador Naive Bayes (nb-to) atingiu 0,91 de revocação, precisão e F2 para a primeira posição do ranking de relevância de categorias; para a quinta posição os valores foram 0,98; 0,20 e 0,54, respectivamente. Estes valores colocam nb-to como o melhor classificador dos investigados para a base de dados utilizada, com diferença estatística entre este e todos os demais classificadores. Conclusão: Métodos de recuperação de informação baseados no Naive Bayes podem ser utilizados com sucesso para categorizar conteúdo web de saúde em idioma português, sendo que o classificador nb-to atingiu o melhor desempenho na tarefa de classificação.
Objective: To investigate the application of different methods of text representation by weighting vectors with a Bayesian classifier to automatically categorize health-related web pages in Brazilian Portuguese language. Methods: We used a set of 3,702 health-related web pages in Brazilian Portuguese language, separated in 19 categories, from Open Directory Project. We compared the effectiveness of 4 different methods of text representation by weighting vectors used with the Naive Bayes classifier, according to recall, precision and F2 measures and considering from the first to the fifth positions of category relevance ranking produced by the classifiers. Results: The text representation by counting the term occurrence with the Naive Bayes classifier (nb-to) reached 0.91 of recall, precision and F2 to the first position of the category relevance ranking, while to the fifth position the values were 0.98, 0.20, and 0.54, respectively. These results place nb-to as the best classifier to the database used in this work, with statistical differences between this classifier and all other. Conclusion: The information retrieval methods based on Naïve Bayes can be successfully used to categorize health-related web content in Brazilian Portuguese language and the nb-to classifier achieved the best performance at classification.
Objetivo: Investigar aplicación de diferentes métodos de representación de textos con un clasificador bayesiano para clasificación automática de contenidos web sobre salud en portugués de Brasil. Métodos: Se utilizó un conjunto de 3.702 páginas web sobre salud en portugués de Brasil, en 19 categorías y provenientes del Open Directory Project. Se comparó el desempeño de 4 métodos de representación de textos por vector de pesos utilizados con el clasificador Naive Bayes, medidos por recall, precisión y F2, considerándose de la primera a la quinta posición en los rankings de relevancia de categorías. Resultados: El clasificador Naive Bayes (nb-to) alcanzó 0,91 de recall, precisión y F2 para la primera posición en el ranking de relevancia de categorías, mientras que para la quinta posición, los valores fueron de 0,98, 0,20 y 0,54, respectivamente. Estos valores colocan el nb-to como el mejor clasificador para la base de datos utilizado, con diferencia estadística entre éste y todos los clasificadores testados. Conclusión: Los métodos de recuperación de información basados en el Naive Bayes pueden ser utilizados con éxito para categorizar contenidos web sobre salud en el idioma portugués de Brasil, pero el clasificador nb-to alcanzó el mejor desempeño al ejecutar la tarea de clasificación.
Assuntos
Classificação , Informação de Saúde ao Consumidor , Inteligência Artificial , Internet , Teorema de BayesRESUMO
Objetivos: Neste trabalho foi comparada a percepção de usuários sobre a qualidade de conteúdos de websites da área da saúde e suas respectivas avaliações sobre a adequação destes websites aos critérios éticos propostos pela HON. Métodos: Uma interface web foi desenvolvida com tecnologias Web 2.0 para a avaliação dos critérios de adequação e da percepção de qualidade. Estudantes da área de informática em saúde foram selecionados para determinar a percepção de qualidade e adequação de conteúdos de 50 websites no domínio da saúde. Resultados: Participaram deste estudo 352 estudantes, que realizaram 2.277 avaliações. Cada website foi avaliado em média 36,83 vezes, e os websites avaliados tiveram uma média de adequação de 50,11% e a pontuação da percepção de qualidade foi de 49,06 em uma escala de 0 a 100. Diante dos 12 critérios propostos, apenas 3 apresentaram correlação estatisticamente significante se comparado com a percepção dos usuários sobre a qualidade do conteúdo de websites de saúde. Conclusão: Diante das análises foi possível identificar que os websites apresentaram poucos indícios de adequação (50,11) e na visão dos avaliadores mesmo com pouca adequação, os websites foram considerados bons.
Objectives: This study compared the user quality perception of health content regarding their assessments of the adequacy of the criteria for websites based on HON code recommendations. Methods: A web interface was developed with Web 2.0 technologies for this assessment of adequacy criteria. Students of health domain voted their quality perception and adequacy of content for 50 websites in the health domain, based on the criteria of adequacy defined by the HON code. Results: This study included 352 students and showed that the average adequacy assessed for the websites were 50.11 and 49.06 of perception, in a range from 0 to 100. Given the 12 criteria, only 3 showed a statistically significant correlation compared with the users? perception about the quality of health websites content. Conclusion: Against the analysis it was found that the websites showed little evidence of adequacy (50.11) and in view of the evaluators even in low adequacy, the websites were considered good.
Objetivos: Este estudio comparó la percepción de calidad de contenido del dominio de salud por usuarios com su evaluación de la adecuación dos sítios web con los criterios de recomendaciones basados en código HON. Métodos: Una interfaz web fue desarrollado con las tecnologías Web 2.0 para la evaluación de los criterios de adecuación. Estudiantes de área de salud determina su percepción de la calidad y de la adecuación de contenidos para 50 sitios web en el ámbito de la salud, con base en los criterios de adecuacion definidos por el código HON. Resultados: Este estudio incluyó 352 estudiantes que mostraron la media de la evaluación de adecuación para los sitios web de 50,11 y 49,06 de la percepción, en un rango de 0 a 100. Teniendo en cuenta los 12 criterios, sólo 3 mostraron una correlación estadísticamente significativa en comparación con la percepción de los usuarios sobre la calidad de los contenidos en sitios web en salud. Conclusión: Diante de los análisis se encontró que los sitios web mostraron pocas pruebas de adecuación (50,11) y, en opinión de los evaluadores, incluso en la aptitud baja, los sitios web se considera buenos.
Assuntos
Controle de Qualidade , Informática Médica , Internet , Padrões de Referência , Percepção , Sistemas de InformaçãoRESUMO
Introdução: Complicações associadas ao transplante de rim e imunossupressão podem ser prevenidas ou tratadas efetivamente quando são diagnosticadas em fases iniciais com o monitoramento pós-transplante. Objetivo: O objetivo deste estudo exploratório é comparar classificadores automáticos de padrões utilizando diferentes técnicas de inteligência artificial para prever eventos de nefrotoxicidade e rejeição celular aguda (RCA) em pacientes com até um ano do transplante renal. Métodos: Foram realizados testes estatísticos de incidência e regressão logística nas variáveis em relação à nefrotoxicidade e RCA. Foram utilizados diferentes classificadores (redes neurais, support vector machines (SVM), árvores de decisão, inferência bayesiana, e vizinhos mais próximos) com o objetivo de prever RCA e nefrotoxicidade. Os classificadores foram avaliados segundo o valor de sensibilidade, especificidade e área sob a curva ROC (AUC). Resultados: A incidência de RCA foi de 31,0% e de nefrotoxicidade de 26,9%. A técnica que apresentou o melhor valor de sensibilidade foi a SVM (algoritmo LIBSVM) com sensibilidade 0,87 (taxa de acerto 79,86%; especificidade 0,70; AUC 0,79). A técnica que apresentou o melhor valor de AUC para prever nefrotoxicidade ou RCA foi a de inferência bayesiana (algoritmo NaiveBayes) com AUC 0,80 (taxa de acerto 75,92%). Conclusão: Os resultados são animadores, com taxas de tentativa e erro condizentes com a determinação de rejeição celular aguda e nefrotoxicidade.
Background: Complications associated with kidney transplantation and immunosuppression can be prevented or treated effectively if diagnosed in early stages with monitoring post-transplant. Objective: The objective of this exploratory study is compare automatic classifiers using different techniques of artificial intelligenceáto predict events of nephrotoxicity and acute cellular rejection (ACR), with up to one year of renal transplantation Methods: The incidence and the statistical test logistic regression have been calculated in variables regarding nephrotoxicity and ACR.áWe used different classifiers (neural networks, support vector machines (SVM), decision trees, Bayesian inference, and closest neighbors) in order to provide ACR and nephrotoxicity. The classifiers were evaluated according to the value of sensitivity, specificity and area under ROC curve (AUC). Results: The prevalence of acute cellular rejection was 31.0% and 26.9% of nephrotoxicity. The technique had the highest sensitivity value prediction for the submission to the transplanted kidney biopsy was SVM (LIBSVM algorithm) with sensitivity rates of 0.87 (accuracy rate 79.86; specificity 0.70; AUC 0.79). The technique had the highest AUC for predicting nephrotoxicity and ACR was bayesian inference (NaiveBayes), with AUC rates of 0.8 (accuracy rate 75.92).Conclusion: The results are encouraging, with rates of accuracy and error consistent with the determination of acute cellular rejection and nephrotoxicity.