ESCOLA SUPERIOR DOM HELDER

USO DE INTELIGENCIA ARTIFICIAL NA PREDISÃO DE

ATAQUES CARDIACOS

Yuri Vinícius S. Lopes - Pedro H. Carvalho

Outubro 2023

1
USO DE INTELIGENCIA ARTIFICIAL NA PREDISÃO DE
ATAQUES CARDIACOS

USE OF ARTIFICIAL INTELLIGENCE IN PREDICTING HEART

ATTACKS

Projeto de Pesquisa apresentado à Dom Hel-

der Escola Superior como requisito parcial
para obtenção do título de Cientista da Com-
putação.
Orientador(a) de conteúdo: Prof. Fisher Ste-
fan Meira
Orientador de metodologia: Prof. Ricardo
Luiz de Freitas

Belo Horizonte
2023
 Índice

0.1 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
0.2 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.3 objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.3.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.3.2 Objetivos especificos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.3.3 justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.4 Referencial Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.4.1 Análise de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.4.2 O que é Inteligencia artificial? . . . . . . . . . . . . . . . . . . . . . . . . 7
0.4.3 O que é Machine learning? . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.4.4 Ferramentas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
0.4.5 Bilbiotecas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
0.4.6 Causa e abordagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
0.4.7 Tratamento da base de dados . . . . . . . . . . . . . . . . . . . . . . . . 11

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
0.1 RESUMO
Nos últimos anos o mundo se deparou com a pandemia do COVID-19 e consequentemente
com o avanço de tecnologias e campos de estudo em relação saude. Com isso, a área de
Inteligência Artificial, especificamente dentro da medicina, ganhou mais visibilidade e
trouxe avanços e novos estudos, como sobre classificação de pacientes, a partir dos seus
dados e exames clínicos. Essa tecnologia pode ser explorada para melhorar as tomadas
de decisões médicas. Neste trabalho, é proposto o desenvolvimento de uma solução de
Aprendizado de Máquina que visa realizar uma classificação entre pacientes com chances
de ataques cardiacos (infartos). Para isso, foram utilizados para treino e avaliação os
dados disponibilizados em uma base de dados publica do Instituto Brasileiro de Geografia
e Estatística (IBGE) de 2019.
O processo de desemvolvimento do modelo estatistico passa por varias etapas de
desenvolvimento, dando maior importância nos resultados dos exames para as pessoas que
tem tendencia a ataques cardiacos. Os resultados obtidos mostraram que esse campo de
estudo tem um potencial promissor para a prevensão de obitos decorrentes de infartos
sendo possível alcançar até 80% de accuracia, indicando que a cada 100 pacientes testados,
cerca de 80 deles teriam uma predição acertiva na provabilidade de um infarto.
Palavras − chave : Inteligencia artificial, IA, Infarto, Ataque cardiaco

ABSTRACT
In recent years, the world has been faced with the COVID-19 pandemic and consequently
with the advancement of technologies and fields of study in relation to health. As a
result, the area of Artificial Intelligence, specifically within medicine, gained more visibility
and brought advances and new studies, such as on patient classification, based on their
data and clinical examinations. This technology can be exploited to improve medical
decision-making. In this work, we propose the development of a Machine Learning solution
that aims to classify patients with a chance of heart attacks (infarctions). For this, data
made available in a public database of the Brazilian Institute of Geography and Statistics
(IBGE) from 2019 were used for training and evaluation. The process of developing the
statistical model goes through all stages of its development, giving greater importance to
test results for people prone to heart attacks. The results obtained showed that this field
of study has promising potential for the prevention of deaths resulting from heart attacks,
being possible to achieve up to 70% accuracy, indicating that for every 100 patients tested,
around 70 of them would have an accurate prediction of the probability of a heart attack.
Keywords : Artificial intelligence, AI, Heart attack
0.2 INTRODUÇÃO
Nos últimos anos, as técnicas de ML surgiram como métodos altamente eficazes para
previsão e tomada de decisões em diversas disciplinas, incluindo mecanismos de pesquisa
na Internet, publicidade personalizada, processamento de linguagem natural, tendências
financeiras e robótica.
Nos últimos anos, os avanços na tecnologia, especialmente nos campos de ciencia de
dados e inteligência artificial (IA), se mostraram altamente eficazes para previsão e tomada
de decisões em diversas disciplinas, como mecanismos de pesquisa na Internet, publicidade
, processamento de linguagem natural (PLN), tendências financeiras e robótica (1). A
indústria da saúde, com sua vasta quantidade de informações de pacientes, testemunhou
uma mudança de paradigma no uso dessas tecnologias para melhorar os resultados dos
pacientes e otimizar estratégias de tratamento.(2) O infarto agudo do miocárdio, conhecido
tambem como ataque cardiaco, %é uma condição crônica caracterizada basicamente pelo
bloqueio do fluxo sanguineo do coração, em decorrencia disso o orgão para de funcionar
por um periodo de tempo e isso pode levar falencia de parte do tecido, danos permanentes
na região, necrose e até mesmo levar a obito.(3)
Um levantamento do Instituto Nacional de Cardiologia (INC) mostra que, em um
periodo de 14 anos (entre 2008 e 2022), o número de internações por infarto aumentou no
Brasil, alcançando uma media de mais de 150% entre homens (de 5.282 para 13.645) e
mulheres (de 1.930 para 4.973). O estudo realizado pelo INC leva em consideração dados
do Sistema de Internação Hospitalar do Datasus, do Ministério da Saúde. Por isso, a
pesquisa representa todos os pacientes brasileiro de utilizam do Sistema Único de Saúde
(SUS), seja em hospitais publicou ou privados que têm convênio e mais de 70% de todos
os pacientes do pais (4).
Os profissionais de saúde hoje em dia têm acesso a vastas quantidades de dados de
pacientes, incluindo prontuários eletrônicos, dispositivos vestíveis e informações genéticas
(5). Este projeto visa explorar os dados do paciente em conjunto com aplicações práticas de
ciencia de dados na análise do infarto em conjunto com modelos aritmeticos de inteligencia
artificial para predizer a provabilidade de um possivel ataque cardiaco, facilitando um
tratamento prévio a fim de prevenir maiores complicações e fatalidades.

0.3 OBJETIVOS

0.3.1 Objetivo Geral

Realizar análises quanto aos dados extraídos da base do IBGE, aplicando conceitos de
tratamento e análise de dados e algoritmos de machine learling para que desta forma,
possamos prediser a provabilidade de certo paciente sofrer um ataque cardiaco com dase
em suas informações e quadro clinico de saude, assim auxiliando profissionais da saúde ao
identificar estes paciente previamente.

0.3.2 Objetivos especificos

Alcançar uma taxa de precisão otima (acima de 80%) em um modelo de inteligencia
artificial de aprendizado de maquina (machine learning) para predição de infartos.

0.3.3 justificativa
Este projeto busca auxiliar os profissionais da saúde com estudos e dados para que seja
possível um diagnostico precoce mais efetivo ou previsão de possíveis ataques cardiacos.
Levando em conta a letalidade dessa condição é importante o levantamento e diagnostico
mais rápido quanto possível para que não venham a ocorrer complicações ou letalidades
no futuro, por isto a área de abrangência e a necessidade de rápidos diagnósticos faz
com que a pesquisa seja relevante para o âmbito da saúde. (6) Como o investimento
em saude e comunicação aumentaram no periodo da pandemia do COVID-19, há maior
disponibilidade de tecnologia no ambito da saude para a identificação e tratamento de
doenças atualmente, uma maneira rapida e pratica de um pre-diagnostico de riscos de um
ataque cardiaco e muito relevante e aplicavel nos hospitais.(7)

0.4 REFERENCIAL TEÓRICO

0.4.1 Análise de dados

A análise de dados é o processo de examinar informações e padrões dentro de conjuntos
de dados para obter insights significativos. Envolve a coleta, organização, limpeza e
interpretação de dados para respondermos a perguntas, identificar traços de tendências
e tomar decisões com dase nas informações. O objetivo final é obter conhecimento util
partindo de uma base de dados afim de auxiliar os profissionais da saúde, facilitando a
identificação e predição de possiveis casos para que possa salientar as decisões e estratégicas
para otimizar processos em diversas áreas, como negócios, ciência, tecnologia, saúde,
educação e muitos outros. (8, 9, 10, 11) Existem varias tecnicas e ferramentas para analise
de dados, entretando são vastas as aplicações então a ferramenta utilizada pelo analista
depende muito da natureza dos dados disponiveis e de qual objetivo se deseja alcançar
apartir da analise. Uma analise quantitativa por exemplo, procura estabelecer relações
de casualidade, agrupar os dados mais proximos, generalizar os resultados da pesquisa e
permitir uma reprodução ou escalonamento dos estudos. A analise qualitativa por sua vez
foca sua atenção exaustivamente no fenomeno social e na acumulação de informação util
para permitir a generalização dos resultados obtidos.(12) Fazendo com que assim o modo
e proposito ao quais nós direcionemos a aplicação de nossa pesquisa não Sejam algo linear,
e sim algo em que seus parâmetros dependem das condições e principalmente do problema,
tendo abordagens diferentes tanto em aplicações comerciais, de cunho educativo, no setor
da saúde e em diversos outros modelos. Em nosso contexto a aplicação teria um foco
mais voltado para auxiliar no diagnóstico de doenças cardiovasculares em um determinado
grupo de pessoas, visando analisar categorias como resultado de checkups anteriores, saúde
atual da pessoa, hábitos alimentícios, vicio em tabaco ou bebida alcolica e consequências
de doença, tal como hipertensão arterial, diabetes, arritmia cardiaca entre outros.

0.4.2 O que é Inteligencia artificial?

A inteligência artificial (IA) é um ramo da Ciência da Computação cujo interesse é fazer
com que os computadores pensem ou se comportem de forma inteligente (13), iniciando
nos primórdios dos anos 1950 durante a segunda guerra com o livro de (14, TURING,
ALAM), atualmente, esta presente em varios campos, desde áreas de uso geral, como
aprendizado e percepção, tarefas específicas como jogos de xadrez, demonstração de
teoremas matemáticos, criação de poesia, geração de textos ou imagens e diagnóstico
de doenças. A inteligência artificial visa automatizar tarefas intelectuais e, portanto
é potencialmente relevante para qualquer area de estudo humana, por isso, e dita por
(15, RUSSEL, NORVIG) como um campo universal. De maneira geral, a Inteligencia
Artificial busca criar máquinas que possam pensar, aprender e agir de modo semelhante
aos seres humanos. "Por ser um tópico muito amplo, IA também está relacionada com
psicologia, biologia, lógica matemática, linguística, engenharia, filosofia, entre outras áreas
científicas"(13). Dentro do escopo de IA algumas aplicações podem ser desenvolvidas, tais
como sistemas especialistas, robotica sistemas visuais e PLN (processamento de linguagem
natural).

Sistemas Especialistas
Um Sistema Especialista é uma importante área da IA e o sistema que será usado neste
projeto, este tipo de sistema e treinado e capacitado para apresentar conclusões sobre um
tema especifico, desde que haja um conjunto de dados para alimentar e orientar o modelo.
É um sistema baseado em conhecimento, que considera um banco de informações massivo
para tomar conclusões com base nos dados com o intuito de emular a atuação humana
em algum domínio específico e entregar respostas tal qual adiquirir novos conhecimentos
a partir dessa interação, assim como um humano faria.(13) Os modelos de inteligencia
artificial utilizados no projeto são modelos estatisticos que nada mais são alem de sistemas
especialistas de machine learning (aprendizado de maquina) focados em correlações
estatisticas entre os dados fornecidos.
0.4.3 O que é Machine learning?
Nesta era de tecnologia moderna, ha uma quantidade abundante de dados estruturados e
não estruturados como recursos disponiveis. Na segunda metade do século XX, o Machine
leraning (aprendizado de máquina) evoluiu como um subcampo da inteligência artificial
(IA), envolvendo algoritmos de aprendizagem que correlacionam conhecimento dos dados
para fazer previsões. Em vez de exigir que humanos derivem regras e construam modelos
de programas manualmente a partir da análise de dados, o Machine leraning oferece uma
alternativa mais eficiente para capturar o conhecimento nos dados, aprimorar gradualmente
o desempenho de modelos preditivos e tomar decisões baseadas nos dados. (16, 17) Graças
a Ciencia da computação e o aprendizado de maquinas estarem se tormando cada vez mais
areas importantes de pesquisa podemos desfrutar de filtros robustos de spam de e-mail,
programas desafiadores de xadrez e ate mesmo carros autônomos com sofisticados sistemas
de segunrança. Dentro dos algoritmos de aprendizagem de maquina existem três tipos de
aprendizazem diferentes, o aprendizado supervisionado, aprendizado não supervisionado e
o aprendizado por esforço.

Aprendizado supervisionado

O principal objetivo da aprendizagem supervisionada é aprender um modelo a partir

de dados do conjunto de treinamento do modelo bem rotulados que nos permite fazer
previsões sobre possiveis dados futuros. O termo "supervisionado"nesse modelo refere-se
a um conjunto de amostras os dados de saida do modelo já sejam conhecidos, assim
assumimos que podemos encontrar um dado que concorda intimamente com os dados
usados no conjunto de treinamento, essa predição pode ser otima em relação aos dados
especialmente se o conjunto de dados for grande. Um exemplo simples e pratico é um
algoritmo de aprendizado de máquina supervisionado em um corpus de e-mails rotulados
corretamente como spam ou não spam, para prever se um novo e-mail pertence a alguma
das duas categorias. Uma tarefa de aprendizagem supervisionada com rótulos de classe
discretos, como o exemplo anterior de filtragem de spam de e-mail, também é chamada de
classificação. Outra subcategoria da aprendizagem supervisionada é a regressão, onde o
resultado é um valor contínuo.O classificador é um metodo do aprendizado supervisionado
onde o objetivo final e fazer uma predição de uma certa classe de objetos baseado nas
aferições dos dados de treinamento. Para a analise por regressão nos passamos uma serie
de variaveis preditorias e uma variavel de resultado continua e tentamos encontrar um
relacionamento entre essas variaveis que nos permita prever os resultados.(16)

Aprendizado não supervisionado

Diferente da aprendizagem supervisionada oude sabemos previamente o resultado esperado

quando treinamos o modelo, na aprendizagem não supervisionada lidamos com dados
não rotulados ou de estrutura desconhecida. Com as tecnicas de aprendizagem não
supervisionada podemos explorar a estrutura de nossos dados para extrair informações
significativas sem termos uma saida esperada ou função de recompensa como guia.(16)

Aprendizado por reforço

Na aprendizagem por reforço o objetivo principal e desemvolver um sistema que melhore

o desempenho com base em interações com o ambiente que esta incluido. Como as
informações sobre o estado atual do ambiente normalmente também inclui o chamado
"sinal de recompensa", podemos pensar na aprendizagem por reforço como um subcampo
relacionado à aprendizagem supervisionada. Porem, em aprendizagem por reforço, o
resultado não e um valor correto ou verdade absoluta, mas uma forma de medição sobre a
eficiencia da acão quando medida pela função de recompensa, portando, a aprendizagem
por reforço pode ser usada para maximizar a recompensa de uma serie de ações atravez de
tentariva e erro ou abordagem exploratoria. (16)

0.4.4 Ferramentas

Como ferramenta de pesquisa e desenvolvimento do modelo de inteligência artificial a

linguagem de programação Python 3 e os ambientes Jupyter Notebook e Visual
Studio Code, projetado para melhorar o workflow da computação. O código do Jupyter
e organizado em células de texto, que podem ser organizados, modificados e executados
individualmente (18). O Jupyter é um projeto de código aberto que pode trabalhar com
várias linguagens de programação diferentes e é acessado por meio de navegador da web
moderno. Isso torna muito mais prático usar tanto em um aplicativo local quanto para
um servidor remoto. “Os arquivos de notebook criados são um formato JSON simples
e documentado, com a extensão ′ .ipynb′ .”(18) O visual studio code por sua vez é um
ambiente de desemvolvimento muito completo e adaptavel, possuindo diversas extenções
para aplicação em diversas areas e linguagens de programação, sendo tambem compativel
com a organização celular do Jupyter.

0.4.5 Bilbiotecas

Comforme o desemvolvimento do modelo de inteligencia artificial foram utilizadas algumas

bibliotecas de Python para treinar e testar o modelo, trabalhar estruturas de arrays para
melhor manipulação dos dados e impripressão de graficos para melhor visualização dos
dados e suas correlações.
Pandas

A biblioteca Pandas é um pacote Python que fornece estruturas de dados rápidas, flexíveis
e expressivas, projetadas para tornar o trabalho com dados “relacionais” ou “rotulados”
fácil e intuitivo. Seu objetivo é ser o alicerce fundamental de alto nível para fazer análises
práticas de dados do mundo real em Python. Além disso, tem o objetivo mais amplo de se
tornar a ferramenta de análise/manipulação de dados de código aberto mais poderosa e
flexível disponível em qualquer idioma. O pandas é construído sobre o NumPy e tem como
objetivo se integrar bem em um ambiente de computação científica com muitas outras
bibliotecas de terceiros.(19)

Matplotlib

Matplotlib é uma ferramenta completa e muito adaptavel de plotagem de graficos e imagens,

cada um dos quais pode conter um ou mais Axes (eixos), uma área onde os pontos podem
ser especificados em termos de coordenadas xy (ou theta-r em um gráfico polar, xyz em
um gráfico 3D, etc.). A maneira mais simples e utilizada de criar uma figura com eixos
é usando pyplot.subplots, porem, essa ferramenta conta com uma variedade de outros
comandos para representar graficos da maneira que for necessaria e é muito usada em
conjunto com outras bibliotecas de ciencia de dados ou estatistica.(20)

NumPy

O NumPy (Numerical Python) é uma biblioteca Python de código aberto usada em quase
todos os campos da ciência e da engenharia. É o padrão universal para trabalhar com
dados numéricos em Python e está no centro dos ecossistemas científicos Python e PyData.
A API NumPy é usada extensivamente em conjunto com as bibliotecas Pandas, SciPy,
Matplotlib, scikit-learn, scikit-image e na maioria dos outros pacotes Python científicos e
de ciência de dados. A biblioteca NumPy contém matrizes multi dimensionais e estruturas
de dados matriciais e fornece ndarray, um objeto de matriz N-dimensional, com métodos
para operar-lo com eficiência. NumPy pode ser usado para realizar uma ampla variedade
de operações matemáticas em arrays, adiciona estruturas de dados poderosas ao Python
que garantem cálculos eficientes com arrays e matrizes, por isso foi utilizado como uma
biblioteca base neste projeto.(21)

0.4.6 Causa e abordagem

Considerandos atributos e técnicas utilizados e aplicados em artigos, estas aplicações realiza-
das na área da saúde têm sido um tanto quanto presentes, auxiliando o profissional da saúde
para que possa identificar e remediar o paciente, assim auxiliando no combate de diversas
doenças e síndromes com o diagnóstico precoce. Assim como varios outros estudos pertinen-
tes a area da saude utilizando a inteligencia artificial (22, 23, 24??). Esta area de aplicação
na saude pode proporcionar respostas ageis e pertinentes antes mesmo de um resultado de
Mesmo considerando que o custo da aquisição
seja elevado (vem caindo dramaticamente nos
treinamento formal na área ainda seja escasso
diversos cursos de atualização); e que os softw
exame cardiografico ou de raio-X.
amistosos, acreditamos que o reconhecimento do p
na área da saúde coletiva permitirá ampliar seu u
de redes cooperativas interdisciplinares.
(25)

Isto nos permite fazer uma interconexão entre setores, informações limpas e suscetí-
veis a futuros apontamentos, aplicados fortemente a estas afirmações atualmente e tendo
como uma de suas fortes bases pesquisas quantitativas.

0.4.7 Tratamento da base de dados

A coleta de dados será feita mediante dados do IBGE-2019 que serão tratados por meio
de modelos estatísticos de Inteligência Artificial (16) desenvolvidos em python usando as
bibliotecas sklearn, matplotlib, pandas, numpy, seaborn, etc. Este processo será dado com
base nos mesmos que foram aplicados em sala de aula em matérias tais como “Inteligência
Artificial” e “Ciência de Dados”. Este processo seguiremos com os seguintes passos:

1. Aperfeiçoar a base de dados para encontrar os cabeçalhos desejados.

2. Utilizar estes cabeçalhos para que possamos filtrar da base os dados desejados.

3. Tratar da base para reduzirmos a quantidade de informações e focar nos selecionados.

4. Realizar a análise com base nestas informações.

5. Aplicar machine learning para que possamos mensurar certas previsões tais como
probabilidade de a pessoa desenvolver algum outro problema ou comorbidade, como
sua alimentação afeta diretamente sua saúde, etc.

6. Entrega de resultados.

Em suma a respeito de nossa base de dados, primeiro teremos de ajustar o nosso dicionário
de informações para que fique mais ordenado, de forma que assim nos possamos relacionar
os dados do dicionário com a base de dados

Como apresentado na Figura 1, o código acima nos estamos importando as bibliotecas

 Figura 1 – Importando as bibliotecas

Pedro H. carvalho, 2023

utilizadas em nosso projeto e após isto estamos lendo tanto o nosso dicionário de dados
quanto posteriormente lendo a base de dados.

Figura 2 – Ajustando os dados

Pedro H. carvalho, 2023

 Figura 3 – Ajustando as colunas de dados

Pedro H. carvalho, 2023

Agora como mostrado nas Figuras 2 e 3 estamos ajustando os dados para que assim tanto
a quantidade de colunas aplicadas em nosso dicionário quanto a quantidade de colunas
utilizadas em nossa base de dados estejam equivalentes às mesmas, assim, fazendo com
que nossos dados estejam alinhados e condizentes com o solicitado.

A variável mostrada acima na Figura 4 como dftest está sendo atribuída apenas as

Figura 4 – Atribuíção da variavel

Pedro H. carvalho, 2023

informações abordadas pelo projeto. Como mostrado acima temos algumas perguntas
objetivas como se a pessoa faz alguma dieta, algum médico já o diagnosticou com a
doença e perguntas paralelas sobre a alimentação da pessoa, com o mesmo objetivo de
montarmos uma base para estudar esta doença. Logo após isto criamos uma variável
chamada vardiagnostico para servir de base para filtrarmos os dados desejados, deste
caso sendo aqueles aos quais um médico deu diagnóstico de hipertensão arterial. Por fim
alinhamos os dados para trabalharmos com eles.

Figura 5 – Dreparação do Dataframe

Pedro H. carvalho, 2023

Na Figura 5 preparamos nosso dataframe para que o mesmo seja exportado como arquivo
no formato .csv, para que assim nossas futuras análises e aplicação do algoritmos de
machine learning seja mais simples e sucinto afim de gerar um resultado relevante.
 Referências

1 MOTWANI, M. et al. Machine learning for prediction of all-cause mortality in patients

with suspected coronary artery disease: a 5-year multicentre prospective registry analysis.
European heart journal, Oxford University Press, v. 38, n. 7, p. 500–507, 2017.

2 GUARIZI, D. D.; OLIVEIRA, E. V. Estudo da inteligência artificial aplicada na área

da saúde. In: Colloquium Exactarum. [S.l.: s.n.], 2014. v. 6, p. 26–37.

3 PESARO, A. E. P.; JR, C. V. S.; NICOLAU, J. C. Infarto agudo do miocárdio:

síndrome coronariana aguda com supradesnível do segmento st. Revista da Associação
Médica Brasileira, SciELO Brasil, v. 50, p. 214–220, 2004.

4 CARDOSO, R. Internações por infarto aumentam mais de 150Agência

Brasil. Disponível em: <https://agenciabrasil.ebc.com.br/saude/noticia/2023-07/
internacoes-por-infarto-aumentam-mais-de-150-no-brasil>.

5 LOBO, L. C. Inteligência artificial e medicina. Revista Brasileira de Educação Médica,

SciELO Brasil, v. 41, p. 185–193, 2017.

6 CLARK, H. Ncds: a challenge to sustainable human development. The Lancet, Elsevier,

v. 381, n. 9866, p. 510–511, 2013.

7 CELUPPI, I. C. et al. Uma análise sobre o desenvolvimento de tecnologias digitais

em saúde para o enfrentamento da covid-19 no brasil e no mundo. Cadernos de Saúde
Pública, SciELO Brasil, v. 37, p. e00243220, 2021.

8 CHAUHAN, H. B.; KHER, R. K. A review on data mining and big data analytics for
healthcare solutions. i-Manager’s Journal on Software Engineering, v. 15, n. 3, p. 1–4,
Jan 2021.

9 NAYAK BISHWAJIT, B. S. S. K. B. Integrating wearable technology products and big

data analytics in business strategy: A study of health insurance firms. Journal of Systems
and Information Technology, v. 21, n. 2, p. 255–275, 2019.

10 RAM JIWAT, N. K. A. K. A. K. Adoption of big data analytics in construction:

development of a conceptual model. Built Environment Project and Asset Management,
v. 9, n. 4, p. 564–579, 2019.

11 CAO TIAN, N. B. G. C. Big data, marketing analytics, and firm marketing

capabilities. The Journal of Computer Information Systems, v. 62, n. 3, p. 442–451, 05
2022.

12 RODRIGUES, M. O tratamento e análise de dados. Metodologia para a investigação

social, Escolar Editora, p. 179–230, 2011.

13 GOMES, D. d. S. Inteligência artificial: conceitos e aplicações. Olhar Científico. v1,

n. 2, p. 234–246, 2010.

14 TURING, A. M. Computing machinery and intelligence. [S.l.]: Springer, 2009.

15 RUSSELL, S. J.; NORVIG, P. Artificial intelligence a modern approach. [S.l.]:
London, 2010.

16 RASCHKA, S.; MIRJALINI, V. Python machine learning: Machine learning and deep
learning with Python, scikit-learn, and TensorFlow 2. [S.l.]: Packt Publishing Ltd, 2019.

17 MICHAEL, J. J. D. Book review: Hands-on machine learning with scikit-learn, keras,

and tensorflow, 2nd edition by aurélien géron. Australasian Physical Engineering Sciences
in Medicine, v. 43, n. 3, p. 1135–1136, 09 2020.

18 KLUYVER, T.; OTHERS. Jupyter Notebooks-a publishing format for reproducible

computational workflows. [S.l.: s.n.], 2016.

19 Pandas.pydata.org. Getting started with Pandas. 2023. Disponível em:

<https://pandas.pydata.org/docs/getting_started/index.html#getting-started>.acesso
em 2023.

20 Matplotlib.org. Matplotlib users guide. 2023. Disponível em: <https://matplotlib.org/

stable/users/index>.acesso em 2023.

21 Numpy.org. numpy.org: basico absoluto para iniciantes. 2023. Disponível em:

<https://numpy.org/doc/1.26/user/absolute_beginners.html>.

22 ALSOBHI, M. et al. Physical therapists’ knowledge and attitudes regarding artificial

intelligence applications in health care and rehabilitation: Cross-sectional study. Journal
of Medical Internet Research, 10 2022.

23 MICHAEL, v. H. et al. Artificial intelligence in clinical health care applications:

Viewpoint. arXiv.org, Jun 26 2019.

24 KLUMPP, M. et al. Artificial intelligence for hospital health care: Application cases
and answers to challenges in european hospitals. Healthcare, v. 9, n. 8, p. 961, 2021.

25 CARVALHO, M. S.; SOUZA-SANTOS, R. Análise de dados espaciais em saúde

pública: métodos, problemas, perspectivas. Cadernos de Saúde Pública, SciELO Public
Health, v. 21, n. 2, p. 361–378, 2005.