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.
