<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Victor Cabral on Medium]]></title>
        <description><![CDATA[Stories by Victor Cabral on Medium]]></description>
        <link>https://medium.com/@iamvictorcabral?source=rss-72cd45631da1------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*mxkDcs1JOMomkyTCKnuwbQ.jpeg</url>
            <title>Stories by Victor Cabral on Medium</title>
            <link>https://medium.com/@iamvictorcabral?source=rss-72cd45631da1------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 06:59:04 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@iamvictorcabral/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Algoritmo Apriori, o que é ?]]></title>
            <link>https://iamvictorcabral.medium.com/descobrindo-associa%C3%A7%C3%B5es-de-vendas-com-o-algoritmo-apriori-e246710bfe3d?source=rss-72cd45631da1------2</link>
            <guid isPermaLink="false">https://medium.com/p/e246710bfe3d</guid>
            <category><![CDATA[association-rule]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[regras-de-associação]]></category>
            <category><![CDATA[apriori]]></category>
            <category><![CDATA[ciência-de-dados]]></category>
            <dc:creator><![CDATA[Victor Cabral]]></dc:creator>
            <pubDate>Wed, 28 Apr 2021 19:45:54 GMT</pubDate>
            <atom:updated>2021-04-28T19:59:28.736Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IaFHyGMgO4oL9tZgaAHAoA.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@romankraft?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Roman Kraft</a> on <a href="https://unsplash.com/s/photos/bakery?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><h4><em>Como criar regras de associação com o Algoritmo Apriori para encontrar informações relevantes em dados de vendas.</em></h4><p>Imagine que você é o dono de uma padaria, todos os dias os clientes passam por seu estabelecimento e compram alguns dos seus produtos. Atualizado, você não quer ficar para trás quando o assunto é tecnologia, por isso você possui um sistema que coleta os dados de todas as vendas realizadas na padaria.</p><p>Sabendo da importância dos dados, você quer descobrir alguma informação nesses números que te ajude a aumentar as vendas no estabelecimento. Uma das possibilidades é ver quais produtos são frequentemente vendidos juntos e tomar uma decisão a partir disso, seja criando alguma promoção envolvendo os itens ou apenas posicioná-los juntos na prateleira.</p><p>É possível descobrir quais são esses produtos através do <strong>Algoritmo Apriori</strong>, criando <strong>regras de associação</strong> entre os itens e o conjunto de dados para encontrar correlações que nos forneçam alguma informação.</p><p>Uma lenda muito famosa envolvendo regras de associação está nas vendas do Walmart da década de 90. Há quem diga que foi descoberta uma relação bem grande entre a venda de cervejas e fraldas, imaginando que colocá-las próximas nas prateleiras, induziriam papais exaustos a comprar os dois produtos juntos. Verdade ou não, regras de associação e o algoritmo deste texto ajudariam a saber se tal correlação realmente existia.</p><h3>Regras de Associação</h3><p>As regras de associação são utilizadas para mostrar as relações que os itens possuem entre si, uma dessas regras que podemos tomar como exemplo é <strong>{pão, manteiga} -&gt; {café}</strong>, implicando hipoteticamente que a compra de pão e manteiga estão relacionadas ao pedido de uma xícara de café. Essas regras podem nos responder algumas perguntas como :</p><ul><li>O que geralmente é comprado junto ao pão ?</li><li>Quais pares de produtos são comprados juntos ?</li><li>Quem compra um pedaço de bolo, tende a comprar o que mais ?</li></ul><p>Para ilustrar o problema, vou considerar a base de dados fictícia abaixo :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/581/1*frR5vfdXFGsCuBpsLNg3tw.png" /></figure><p>Cada uma das linhas da tabela representam um pedido, sendo 1 ou 0 a confirmação da presença do item nesse pedido. Simplificando :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/537/1*PRPUcUzBwy_oJzgVrloeGQ.png" /></figure><p>Antes de prosseguir, gostaria de estabelecer a definição de uma regra de associação como <strong>{X} -&gt; {Y}</strong>, sendo X e Y listas de itens que não podem ter elementos em comum. Ou seja, tendo como base o pedido 10, podem ser criadas as regras de associação {Café} -&gt; {Bolo} ou {Bolo} -&gt; {Café}, implicando que a compra de um dos itens está associada à compra do outro.</p><p>Para o entendimento do algoritmo, é essencial a compreensão de 3 conceitos básicos de regras de associação : Support, Confidence e Lift.</p><h4>Support</h4><p>O conceito de Support (Suporte) nos mostra a frequência em que um item ou um grupo de itens aparecem no total de transações. Esse conceito nos mostra a relevância que um ou mais itens possuem na sua base de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/896/1*OyyFfrVn2JJLWhuVxOYzgA.jpeg" /></figure><p>Ou seja, 40% das transações da tabela possuem um pão entre seus itens.</p><h4>Confidence</h4><p>O valor da confiança sempre é calculado a partir de uma regra de associação {X} -&gt; {Y}, nos trazendo a informação da chance de Y ser comprado caso X já tenha sido comprado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XXW6m8YFiMlXXW9gFBboSg.jpeg" /></figure><p>Ou seja, quando um pedaço de bolo é comprado, um pudim também é comprado aproximadamente 28,57% das vezes.</p><h4>Lift</h4><p>O valor do Lift nos mostra a frequência com que um item Y é comprado quando outro item X também é comprado, levando em consideração a popularidade do item Y. Um valor de Lift maior que 1 nos diz que Y é provável de ser comprado junto com X, enquanto um valor menor que 1 nos diz que Y não é comumente associado a X.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8_QdF38NB2lb9MkcN6oplw.jpeg" /></figure><p>Estes conceitos serão utilizados como filtros no algoritmo, removendo regras e itens que possuam esses valores abaixo de limites definidos. Vale lembrar que a escolha dos valores mínimos para o Support e Confidence são baseados no conhecimento empírico de seus itens e da base de dados. A escolha destes é de extrema importância para a análise dos resultados.</p><p>Compreendendo bem estes conceitos, seguimos para o algoritmo.</p><h3>Algoritmo Apriori</h3><p>Usando o Apriori, é possível descobrir quais são as principais associações de itens na sua base de dados utilizando alguns simples passos :</p><p>0. Crie listas de itens com somente 1 item cada (n=1).</p><ol><li>Calcule o valor de Support de cada lista e remova aquelas com os valores menores que o valor mínimo de Support definido.</li><li>A partir das listas remanescentes, repita o passo 1 com grupos de n+1 itens até que não seja possível fazer mais combinações.</li><li>Calcule os valores de Confidence de todas as regras de associação possíveis com as combinações encontradas, coloque-as em ordem decrescente e remova as com o valor abaixo da Confiança mínima.</li><li>Calcule o Lift para as regras restantes e mantenha apenas aquelas com o valor acima de 1.</li></ol><p>Para exemplificar, vamos aplicar o algoritmo na base de dados acima utilizando um support mínimo = 0.3 e um confidence mínimo = 0.4.</p><p>Calculando o Support de Grupos com 1 item :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/311/1*27fxSUC5XrCV0YX9rkoLRQ.png" /></figure><p>Realizando o cálculo de Support em cada item individualmente, temos que o café, bolo, pão e pudim possuem um valor de suporte maior ou igual ao mínimo, visto isso, vamos remover o leite da nossa busca por associações.</p><p>Calculando o Support de grupos com 2 itens :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/312/1*JWwUCzPm33cY8hwEG39JZg.png" /></figure><p>Formando pares com os 4 itens restantes e calculando os suportes, temos que apenas o par {Café, Bolo} e {Café, Pão} seguem acima do suporte mínimo, o que nos faz remover o pudim da análise.</p><p>Calculando o Support de grupos de 3 itens:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/308/1*bIu_5u86ywv6QLubE0lMGQ.png" /></figure><p>Por termos apenas o Café, Bolo e Pão nos itens restantes, calcula-se apenas o suporte envolvendo os 3 itens. Não obedecendo o suporte mínimo, finalizamos as iterações com apenas 2 pares de itens na análise.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/307/1*c8Rsb1GSPh9FUc1CfT7iIQ.png" /></figure><p>Partindo desses pares, podemos gerar 4 possíveis regras de associação do tipo {x} -&gt; {y}, calculando a confiança das regras, esse é o resultado que obtemos :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/206/1*Qox74bZjt2ZSYejI3Ww1bg.png" /></figure><p>Como todas as relações acima obedecem o valor mínimo de Confidence, calculamos o Lift das regras para validar as associações.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/213/1*yI52euk9yP7nVAkbIs_RWg.png" /></figure><p>Todos os valores do Lift são maiores que 1, portanto, em nossa pequena base de dados, encontramos uma associação grande do pedido de café com pedidos de pão e bolo.</p><p>Para obter um resultado mais interessante com o Algoritmo Apriori, vamos aplicá-lo em uma base de dados real.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HmHWmJC9fkhCYnSwN1UWlQ.jpeg" /><figcaption>Imagem de <a href="https://pixabay.com/pt/users/tama66-1032521/?utm_source=link-attribution&amp;utm_medium=referral&amp;utm_campaign=image&amp;utm_content=2456236">Peter H</a> por <a href="https://pixabay.com/pt/?utm_source=link-attribution&amp;utm_medium=referral&amp;utm_campaign=image&amp;utm_content=2456236">Pixabay</a></figcaption></figure><p>Utilizando uma base de dados maior, coloquemos em prática o algoritmo com dados reais de uma padaria em Edimburgo, na Escócia. Tanto a base de dados, quanto o código com análise exploratória dos dados e aplicação do Apriori estarão disponíveis neste <a href="https://github.com/victorcabral029/BreadBasketApriori">repositório do Github</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/502/1*HgxjYPKWbzm4iwwMjId54A.png" /></figure><p>Nestes dados temos um total de 20507 linhas, contendo mais de 9000 transações feitas na padaria, informando o período do dia e da semana, dia e horário da transação, além dos itens comprados em cada pedido. Entre os itens mais comuns na base de dados, estão : café, pão, chá, bolo, sanduíche e chocolate quente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/417/1*mWSVkGblwKNFtur64VIi_A.png" /></figure><p>Calculando o Suporte, a Confiança e o Lift utilizando os valores mínimos estabelecidos, conseguimos encontrar 13 regras de associação, sendo a mais relevante o pedido de um café com torrada e a maioria delas envolvendo o pedido de café.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0dnvrErikudRp2yWIgVbmw.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@kfred?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Karl Fredrickson</a> on <a href="https://unsplash.com/s/photos/coffee?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><p>Para essa padaria, faz sentido envolver a venda de café na maioria de seus pedidos. E em seus dados, o que você consegue encontrar ?</p><p><strong>Muito prazer !</strong></p><p>Meu nome é Victor, estudante de Ciência da Computação na UFLA e analista de Business Intelligencena <a href="https://wecancer.com.br/">WeCancer</a>. Atualmente busco aprender sobre Data Science e realizar projetos que me desafiem cada vez mais. Sinta-se livre para fazer comentários a respeito de artigo e conectar comigo no <a href="https://www.linkedin.com/in/iamvictorcabral/">Linkedin</a>. Também te convido a ler meus outros textos nessa rede, obrigado pela atenção!</p><ul><li><a href="https://iamvictorcabral.medium.com/ci%C3%AAncia-de-dados-e-intelig%C3%AAncia-artificial-na-sa%C3%BAde-8b9dc34793bc">Ciência de Dados e Inteligência Artificial na Saúde</a></li><li><a href="https://iamvictorcabral.medium.com/d%C3%AA-uma-nova-cara-pra-seu-github-5f5864009cb8">Dê uma nova cara pra seu GitHub!</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e246710bfe3d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Dê uma nova cara pra seu GitHub!]]></title>
            <link>https://iamvictorcabral.medium.com/d%C3%AA-uma-nova-cara-pra-seu-github-5f5864009cb8?source=rss-72cd45631da1------2</link>
            <guid isPermaLink="false">https://medium.com/p/5f5864009cb8</guid>
            <category><![CDATA[desenvolvimento]]></category>
            <category><![CDATA[github]]></category>
            <category><![CDATA[portfolio]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Victor Cabral]]></dc:creator>
            <pubDate>Wed, 10 Feb 2021 19:01:10 GMT</pubDate>
            <atom:updated>2021-02-10T19:01:10.523Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Jfjq3BzyFQy1V8xJQ1TEmQ.jpeg" /><figcaption>Imagem de <a href="https://pixabay.com/pt/users/pixies-1021586/?utm_source=link-attribution&amp;utm_medium=referral&amp;utm_campaign=image&amp;utm_content=785742">Daniel Agrelo</a> por <a href="https://pixabay.com/pt/?utm_source=link-attribution&amp;utm_medium=referral&amp;utm_campaign=image&amp;utm_content=785742">Pixabay</a></figcaption></figure><h4>Esta funcionalidade recente fará seu Github chamar mais atenção</h4><p>Na metade de 2020, foi lançada uma nova feature que dá aos usuários do Github a possibilidade de apresentar seu perfil de uma forma bem criativa. Se você navegar pelos perfis da plataforma, algumas vezes vai acabar se deparando com várias descrições chamativas, fotos e até mesmo gifs que representem o dono daqueles códigos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/946/1*vY-lAqMVdRYAYqgz2lZmNg.png" /></figure><p>Essa nova funcionalidade “escondida” são os GitHub Profile READMEs, simples de ser feitos e com um imenso potencial para seu portfólio. Estes suportam markdowns, o que significa uma possibilidade para agregar conteúdo visual à bio do seu perfil.</p><h3><strong>Como fazer ?</strong></h3><p>Como dito acima, fazer esse conteúdo é algo super simples, basta criar um repositório com o nome idêntico a seu nome de usuário (incluindo letras maiúsculas/minúsculas). Usando o meu username como exemplo, o repositório do meu README será <a href="https://github.com/victorcabral029/victorcabral029">github.com/victorcabral029/victorcabral029</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ytJUzWi0BPAv1s5AzfYKQQ.png" /></figure><p>Ao colocar o nome da sua conta na aba de <em>Repository Name</em>, o GitHub irá te alertar do “segredo” encontrado, e claramente lembrar que criar um arquivo de README, que é essencial para a funcionalidade.</p><p>Com o documento criado, é hora de dar asas à criatividade e apresentar-se em seu <em>Git </em>da forma que melhor te represente.</p><h4>Markdown</h4><p>A maneira mais simples de colocar seu conteúdo em seu README é utilizando <em>markdown.</em> A sintaxe <em>markdown</em> te permite criar conteúdo para web de forma muito prática, formatando textos e adicionando mídias, levando apenas poucos minutos para <a href="https://docs.pipz.com/central-de-ajuda/learning-center/guia-basico-de-markdown">aprender</a> o necessário.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*i9BV3CBRvtTub-vyyB00Pg.gif" /></figure><p>Precisa de inspiração ? <a href="https://github.com/abhisheknaiidu/awesome-github-profile-readme#a-little-bit-of-everything-">Esse repositório</a> contém inumeros READMEs em diversas categorias, como jogos, minimalismo e retrô.</p><p>Agora é a sua vez! Dê o seu melhor e mostre a seus visitantes quem você é!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5f5864009cb8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ciência de Dados e Inteligência Artificial na Saúde]]></title>
            <link>https://iamvictorcabral.medium.com/ci%C3%AAncia-de-dados-e-intelig%C3%AAncia-artificial-na-sa%C3%BAde-8b9dc34793bc?source=rss-72cd45631da1------2</link>
            <guid isPermaLink="false">https://medium.com/p/8b9dc34793bc</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[medicina]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[saúde]]></category>
            <dc:creator><![CDATA[Victor Cabral]]></dc:creator>
            <pubDate>Tue, 01 Sep 2020 22:31:42 GMT</pubDate>
            <atom:updated>2020-09-01T22:31:42.121Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qM41UXAjGn16I19PsP_gfA.jpeg" /><figcaption>Imagem de <a href="https://unsplash.com/@jmatheu?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Javier Matheu</a> por <a href="https://unsplash.com/?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><h4>Como a avalanche de dados e as novas tecnologias podem nos auxiliar em problemas relacionados à medicina.</h4><p>Milhões de terabytes de dados são gerados todos os dias e isso não é novidade pra ninguém. Profissionais de ciência de dados tem sido fundamentais para fazer com que esses dados virem conhecimento e ferramentas para profissionais dos mais variados ramos, o que facilmente inclui serviços relacionados à saúde.</p><p>A Medicina e as demais áreas da saúde se transformaram em grandes potenciais para aplicações de <a href="https://medium.com/@stratiobd/big-data-defini%C3%A7%C3%A3o-e-um-breve-hist%C3%B3rico-a389abcf6a3"><em>Big Data</em></a>, <a href="https://rockcontent.com/br/blog/machine-learning/">aprendizado de máquina</a> e análise de dados. Reduzir custos e simplificar processos estão entre as inúmeras vantagens que essas práticas podem trazer.</p><p>Médicos e enfermeiras conseguem enxergar consideráveis melhorias usando estas ferramentas como aliadas no dia-a-dia. Estarei abaixo listando algumas de suas possíveis aplicações.</p><h4>Cadastro de Pacientes e Coleta de Dados</h4><p>Um dos grandes desafios de tecnologias relacionadas a saúde, é realizar a coleta dos dados humanos, além de torná-los mais acessíveis para que os profissionais possam fazer uso destes. Fazer prontuários médicos digitais, ao invés das tradicionais fichas de papel, facilitam não só no cadastro, com plataformas acessíveis e simples, como no transporte imediato e comunicação dos dados à pessoas e grandes bases de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*U6CDgIAMt2l2vDoFqhwv6A.jpeg" /><figcaption>Imagem de <a href="https://unsplash.com/@goumbik?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Lukas Blazek</a> por <a href="https://unsplash.com/?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><p>Com grandes cadeias de informação de pacientes e enfermidades, será possível obter grandes <em>insights </em>no que diz respeito a melhorias nos cuidados e tratamentos.</p><h4>Análise de Imagens Médicas</h4><p>Diagnósticos médicos ficaram e estão ficando cada vez mais precisos com a aplicação de técnicas de Inteligência Artificial. Inúmeras ferramentas estão sendo usadas para interpretar e extrair cada vez mais informações de imagens médicas, como radiografias e mamografias.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_btlz2ej-t09kJ1YB2zzWw.jpeg" /><figcaption>Imagem de <a href="https://pixabay.com/pt/users/WikiImages-1897/?utm_source=link-attribution&amp;utm_medium=referral&amp;utm_campaign=image&amp;utm_content=62942">WikiImages</a> por <a href="https://pixabay.com/pt/?utm_source=link-attribution&amp;utm_medium=referral&amp;utm_campaign=image&amp;utm_content=62942">Pixabay</a></figcaption></figure><p>Técnicas de <em>Deep Learning </em>permitem uma análise profunda, da anatomia dos órgãos e otimização no diagnóstico de problemas como tumores, distúrbios de crescimento e fraturas. Muito está sendo feito para melhorar a qualidade dessas imagens, e com o crescimento da quantidade de dados disponíveis, é fácil ficar otimista com os possíveis resultados que isso pode nos trazer.</p><h4>Criação de Medicamentos</h4><p>O processo de criação de medicamentos não é algo simples, envolve consideráveis quantias em dinheiro, processos e testes que demandam muito tempo para serem realizados. Toda a pesquisa e desenvolvimento de um medicamento, leva cerca de <a href="https://www.drugs.com/fda-approval-process.html">12 a 15 anos</a> até que este possa estar disponível no mercado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*u3UFc88YqA0Uz8_AhT-FXA.jpeg" /><figcaption>Imagem de Castorly Stocks por Pexels</figcaption></figure><p>Usar as técnicas <em>machine learning</em> e <em>big data</em> é de extremo benefício nesses casos, com elas é possível acelerar e simplificar os processos, pois permitem que os cientistas prevejam os melhores resultados. Através das incontáveis combinações de dados, é possível simular as reações que os medicamentos teriam nas células e proteínas do nosso corpo.</p><h4><strong>Medicina Preventiva</strong></h4><p>Uma das melhores maneiras de mudar a forma como a saúde é tratada, é diminuindo os riscos de maiores problemas através da medicina preventiva. Hoje existem várias maneiras de abordar as enfermidades, além de planejar formas de se prevenir antes que estas virem problemas maiores.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uScBWEC0K9QBH6uBLIPCvw.jpeg" /><figcaption>Imagem de <a href="https://unsplash.com/@alvarordesign?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Alvaro Reyes</a> por <a href="https://unsplash.com/?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><p>Através de dados históricos dos pacientes e dispositivos como <a href="https://exame.com/tecnologia/google-indica-apps-para-cuidar-da-saude-usando-um-smartwatch/"><em>Smartwatches</em></a><em> , </em>que guardam atividades do corpo humano no dia-a-dia, é possível aplicar formas de trabalhar com esses dados. Com estes é possível gerar previsões a respeito de como sua alimentação, seus hábitos e seus antecedentes poderão gerar consequências para sua saúde, além de como isto deve ser tratado.</p><h4>Assistência Virtual Para Pacientes</h4><p>Acontecimentos fora do normal, como a pandemia do novo coronavírus, nos fazem enxergar melhores formas de usar a tecnologia que temos à nossa disposição. Em muitos casos, não há mais a necessidade de um atendimento médico em pessoa para que possamos identificar complicações.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/848/1*UFUhRqdiG2K3P_hlTrYy9w.jpeg" /></figure><p>Com o uso da IA, por meio de <em>Chatbots</em>, é possível obter informações sobre a sua condição atual. Um exemplo é o <a href="https://www.microsoft.com/en-us/research/project/health-bot/"><em>Microsoft Health Care Bot</em></a><em>, </em>este fornece respostas sobre sua saúde apenas perguntando sobre seus sintomas e situação corrente.</p><h4>Atendimento Pós-Hospitalar</h4><p>Assim como há a carência da prevenção de doenças, além da necessidade de melhores estruturas e procedimentos no hospital, cuidar dos problemas pós-hospitalares também é de suma importância. Depois de tratamentos e cirurgias, é comum que os pacientes necessitem manter os cuidados após a saída do hospital.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KRCw1fh0KjwCeuqI3bI0Sw.jpeg" /><figcaption>Imagem de <a href="https://unsplash.com/@eduardmilitaru?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Eduard Militaru</a> por <a href="https://unsplash.com/s/photos/hospital?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><p>Podemos conseguir inúmeras informações analisando os dados de pacientes em casa. Entre estes estão motivo de ligações, a frequência delas e a situação socioeconômica em que essas pessoas se encontram. Usando modelos preditivos, como o criado pela <a href="https://www.intel.com.br/content/www/br/pt/healthcare-it/solutions/documents/predictive-analytics-reduce-hospital-readmission-rates-white-paper.html">Intel e Cloudera</a>, é possível saber quando estes pacientes podem vir a ser readmitidos no atendimento médico.</p><p>Ainda há muita desconfiança quando falamos de qualquer atividade que envolva informações pessoais. Sabemos que esses dados são humanos, e que a forma como são usados e armazenados devem ser transparentes, para não colocar em risco a individualidade de ninguém.</p><p>Porém, é visível que, aplicado de forma correta e organizada, estas atividades citadas acima transformarão a maneira como a medicina opera e evolui. Vale lembrar que além dessas citadas, há inúmeras outras formas de resolver problemas usando IA, é possível citar áreas como a robótica e bioinformática. Todas estas geram inovações e ideias todos os dias, tornam os problemas da saúde mais simples, e salvam cada vez mais vidas.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8b9dc34793bc" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>