Supervisionada |
Árvores de decisão |
Identificação de probabilidades de desenvolvimento de câncer de pulmão relacionado ao trabalho. |
Kim et al.3737. Kim TW, Koh DH, Park CY. Decision tree of occupational lung cancer using classification and regression analysis. Saf Health Work. 2010;1(2):140-8.
|
Identificação de transmissão de sífilis da mãe para o filho. |
Nakamura et al.3838. Nakamura CY, Otero SD, Carvalho DR. Mineração de dados no enfrentamento da transmissão vertical da sífilis. J Heal Informatics. 2016;8:171-9.
|
Identificação de características relacionadas à mortalidade infantil. |
Vianna et al.2626. Vianna RCXF, Moro CMCB, Moysés SJ, Carvalho D, Nievola J. Mineração de dados e características da mortalidade infantil. Cad Saúde Pública. 2010;26(3):535-42.
|
|
Redes neurais |
Identificação de grupos de trabalhadores com altos riscos de pneumoconiose. |
Liu et al.3939. Liu H, Tang Z, Yang Y, Weng D, Sun G, Duan Z, et al. Identification and classification of high risk groups for Coal Workers' Pneumoconiosis using an artificial neural network based on occupational histories: a retrospective cohort study. BMC Public Health. 2009;9:366.
|
Predição de quantidade de perda auditiva de trabalhadores de fábricas de aço. |
Aliabadi et al.4040. Aliabadi M, Farhadian M, Darvishi E. Prediction of hearing loss among the noise-exposed workers in a steel factory using artificial intelligence approach. Int Arch Occup Environ Health. 2015;88(6):779-87.
|
|
SVM |
Classificação de melanomas. |
Correa et al.77. Correa DNL, Paniagua LRB, Noguera JLV, Pinto-Roa DP, Toledo LAS. Computerized diagnosis of melanocytic lesions based on the abcd method. Proceedings of the 41st Lat Am Comput Conf CLEI; 2015; Arequipa. Arequipa: CLEI; 2015;19(2):1-22.
|
Estimar internações hospitalares. |
Lucini et al.4141. Lucini FR, Fogliatto FS, Silveira GJC, Neyeloff J, Anzanello MJ, Kuchenbecker RDS, et al. Text mining approach to predict hospital admissions using early medical records from the emergency department. Int J Med Inform. 2017;100:1-8.
|
|
Naïve Bayes
|
Classificação de declarações textuais de morbidades relacionadas ao trabalho. |
Marucci-Wellman et al.2828. Marucci-Wellman HR, Lehto MR, Corns HL. A practical tool for public health surveillance: semi-automated coding of short injury narratives from large administrative databases using Naïve Bayes algorithms. Accid Anal Prev. 2015;84:165-76.
|
|
Random Forests
|
Predição de gravidez de risco com base em fatores de risco da mãe. |
Pan et al.2424. Pan I, Nolan LB, Brown RR, Khan R, van der Boor P, Harris DG, et al. Machine learning for social services: a study of prenatal case management in Illinois. Am J Public Health. 2017;107(6):938-44.
|
Detecção de diabetes não diagnosticada. |
Oliveira et al.2525. Olivera AR, Roesler V, Iochpe C, Schmidt MI, Vigo Á, Barreto SM, et al. Comparação de algoritmos de aprendizagem de máquina para construir um modelo preditivo para detecção de diabetes não diagnosticada - ELSA-Brasil: estudo de acurácia. São Paulo Med J. 2017;135(3):234-46.
|
Não supervisionada |
SOM |
Identificação de padrões de qualidade do ar em séries históricas. |
Pearce et al.2121. Pearce JL, Waller LA, Chang HH, Klein M, Mulholland JA, Sarnat JA, et al. Using self-organizing maps to develop ambient air quality classifications: a time series example. Environ Health. 2014;13(1):56.
|
Analisar sentimentos de pacientes que passaram por tratamentos de câncer baseado em dados de fóruns especializados |
Akay et al.3434. Akay A, Dragomir A, Erlandsson B-E. Network-based modeling and intelligent data mining of social media for improving care. IEEE J Biomed Heal Informatics [Internet]. 2015 [citado em 9 out 2019];19(1):210-8. Disponível em: http://ieeexplore.ieee.org/document/6851846/
http://ieeexplore.ieee.org/document/6851...
|
K-means
|
Análise exploratória e identificação de subgrupos populacionais. |
Gao et al.2222. Gao S, Mutter S, Casey A, Mäkinen VP. Numero: a statistical framework to define multivariable subgroups in complex population-based datasets. Int J Epidemiol. 2019;48(2):369-74.
|
Identificação de grupos de caminhoneiros de acordo com comportamentos e hábitos alimentares. |
Olson et al.1818. Olson R, Thompson SV, Wipfli B, Hanson G, Elliot DL, Anger WK, et al. Sleep, dietary, and exercise behavioral clusters among truck drivers with obesity: implications for interventions. J Occup Environ Med. 2016;58(3):314-21.
|
Identificação de grupos expostos a diferentes níveis da síndrome de burnout em equipes médicas. |
Lee et al.1919. Lee YC, Huang SC, Huang CH, Wu HH. A new approach to identify high burnout medical staffs by kernel K-means cluster analysis in a regional teaching hospital in Taiwan. Inquiry. 2016;53(2).
|