DOI: 10.5281/zenodo.6612605

 

Paulo Rogério Siqueira Custódio

Minicurrículo do autor: Mestrando, Engenharia Biomédica/Elétrica, paulo55866@gmail.com

 

Virginia Klausner de Oliveira

Minicurrículo do autor: Doutora, Engenharia Elétrica/Processamento de sinais, virginia@univap.br.

 

Guilherme Maerschner Ogawa

Minicurrículo do autor: PHd, Biologia, ped@intercientifica.com.br

 

Rainara Moreno Sanches de Almeida

Minicurrículo do autor: Mestrando, Biomedicina, ped2@intercientifica.com.br.

 

Resumo: A Fibrose Cística é uma doença letal que é caracterizada por infecções crônicas no pulmão, insuficiência pancreática e elevados níveis de cloro no suor, essa doença é causada pela mutação no gene do Regulador de Condutância Transmembrana da Fibrose Cística (CFTR), essa doença faz com que o organismo produza secreções espessas e viscosas que obstruem os pulmões, pâncreas e no ducto biliar (RIBEIRO ROSA e colab., 2008). Esta doença faz parte do programa de Triagem Neonatal Brasileiro, sendo triada através da quantificação do Tripsinogênio Imunorreativo (IRT), entretanto essa tripsina apresenta um elevado índice de resultados falsos positivos, isso faz com que seja necessário um outro teste para confirmação do diagnóstico. Sabe-se pela literatura que existem fatores que influenciam na alteração da tripsina como a etnia por exemplo devido a doença ser em sua grande maioria na população caucasiana. Então este trabalho propõe a utilização de técnicas de florestas aleatórias para conseguir detectar a probabilidade de um resultado ser falso positivo analisando as informações dos pacientes e as condições de coleta de amostra utilizando dados artificiais.

Palavras-chave: Fibrose Cística. Aprendizado de Máquina. Triagem Neonatal. Falsos Positivos.