| dc.creator | Melo, Jamilly Braga | |
| dc.date.accessioned | 2026-03-16T23:03:33Z | |
| dc.date.available | 2026-03-16T23:03:33Z | |
| dc.date.issued | 2025-09-16 | |
| dc.identifier.citation | MELO Jamilly Braga. ANS2JSON: uma API baseada em IA, para extração de Informações da Avaliação Neurológica de pacientes com hanseníase. 2025.71f. Trabalho de Conclusão (Curso Superior Tecnológico em Analise e Desenvolvimento Sistemas). - Instituto Federal de Ciência e Tecnologia de Pernambuco, Recife. 2025. | pt_BR |
| dc.identifier.uri | https://repositorio.ifpe.edu.br/xmlui/handle/123456789/2056 | |
| dc.description.abstract | The Simplified Neurological Assessment (SNA) is a mandatory and essential tool for
monitoring patients with leprosy in Brazil. However, its physical format and manual
completion represent a significant obstacle, as they confine crucial clinical data to paper
records and hinder longitudinal analyses, large-scale research, and evidence-based health
policymaking. This study introduces ANS2JSON, an innovative application that overcomes
this barrier through a hybrid Artificial Intelligence architecture for the complete and
automatic digitization of SNA forms.
The proposed solution addresses the challenge of interpreting a complex form that
combines textual data with visual diagrams by employing a two-stage pipeline: (1) a
computer vision model (YOLOv8 + Random Forest) to detect and anatomically map
sensitivity assessment points, and (2) an Intelligent Document Processing model to extract
textual fields. The approach demonstrated outstanding effectiveness, achieving 97.5%
precision in visual data interpretation and over 95% accuracy in extracting key clinical
indicators.
ANS2JSON, publicly available via the web, provides a robust tool for converting a
vast repository of unstructured data into ready-to-use digital information, unlocking the
potential of years of clinical records to advance both leprosy treatment and research. The
application is accessible at: https://ans2json.dotlabbrazil.com.br . | pt_BR |
| dc.format.extent | 70f. | pt_BR |
| dc.language | pt_BR | pt_BR |
| dc.relation | [Andrade et al. 2025]ANDRADE, H. G. V. de et al. On the usage of artificial intelligence
in leprosy care: A systematic literature review. PLOS Computational Biology, Public
Library of Science San Francisco, CA USA, v. 21, n. 6, p. e1012550, 2025.
[Bell-Krotoski 1990]BELL-KROTOSKI, J. A. Light touch-deep pressure testing using
Semmes-Weinstein monofilaments. In: HUNTER, J. M. et al. (Ed.). Rehabilitation of
the Hand: Surgery and Therapy. 3rd. ed. St. Louis: Mosby, 1990. p. 575–593.
[Bishop 2006]BISHOP, C. M. Pattern Recognition and Machine Learning. [S.l.]:
Springer, 2006.
[Bochkovskiy, Wang e Liao 2020]BOCHKOVSKIY, A.; WANG, C.-Y.; LIAO, H.-Y. M.
YOLOv4: Optimal Speed and Accuracy of Object Detection. 2020.
[Cutting e Cutting-Decelle 2021]CUTTING, G. A.; CUTTING-DECELLE, A.-F.
Intelligent document processing–methods and tools in the real world. arXiv preprint
arXiv:2112.14070, 2021.
[Esteva et al. 2019]ESTEVA, A. et al. A guide to deep learning in healthcare. Nature
Medicine, v. 25, n. 1, p. 24–29, 2019.
[Gao et al. 2018]GAO, J. et al. Computer vision in healthcare applications. Journal of
healthcare engineering, v. 2018, p. 5157020, 2018.
[Gill et al. 2023]GILL, A. Y. et al. Revolutionizing Healthcare: Exploring the Role of
Artificial Intelligence in Disease Prediction. Sustainability, v. 15, n. 15, p. 11702, 2023.
[Goodfellow, Bengio e Courville 2016]GOODFELLOW, I.; BENGIO, Y.; COURVILLE,
A. Deep Learning. MIT Press, 2016. Dispon´ıvel em:
<http://www.deeplearningbook.org>.
[Last´oria e Macharelli 2014]LAST´ORIA, J. C.; MACHARELLI, C. A. Informatiza¸c˜ao
em hansenologia: uma necessidade atual. Hansenologia Internationalis: hansen´ıase e
outras doen¸cas infecciosas, v. 39, n. 1, p. 1–2, 2014. Dispon´ıvel em:
<https://periodicos.saude.sp.gov.br/index.php/hansenologia/article/view/35855>.
[MS 2025]MS. Boletim Epidemiol´ogico - Hansen´ıase 2025. 2025. Dispon´ıvel em:
<https://www.gov.br/saude/pt-br/centrais-deconteudo/
publicacoes/boletins/epidemiologicos/especiais/2025/boletimepidemiologico-
de-hanseniase-numero-especial-jan-2025.pdf>.
[Organization 2021]ORGANIZATION, W. H. Towards zero leprosy. Global leprosy
(Hansen’s Disease) strategy 2021–2030. 2021. Dispon´ıvel em:
<https://www.who.int/publications/i/item/9789290228509>.
[Redmon et al. 2016]REDMON, J. et al. You Only Look Once: Unified, Real-Time
Object Detection. In: Proceedings of the IEEE Conference on Computer Vision and
Pattern Recognition (CVPR). [S.l.: s.n.], 2016. p. 779–788.Redmon e Farhadi 2017]REDMON, J.; FARHADI, A. YOLO9000: Better, Faster,
Stronger. In: Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition (CVPR). [S.l.: s.n.], 2017. p. 6517–6525.
[Rodrigues e Lockwood 2011]RODRIGUES, L. C.; LOCKWOOD, D. N. Leprosy now:
epidemiology, progress, challenges, and research gaps. The Lancet Infectious Diseases,
v. 11, n. 6, p. 464–470, 2011.
[Russell e Norvig 2016]RUSSELL, S. J.; NORVIG, P. Artificial Intelligence: A Modern
Approach. 3rd. ed. [S.l.]: Pearson, 2016.
[Sa´ude 2017]SA´uDE, D. d. A. B. Secretaria de A. Guia pr´atico sobre a hansen´ıase. 2ª.
ed. Bras´ılia, 2017. (Cadernos de Aten¸c˜ao B´asica, 36). Dispon´ıvel em:
<https://bvsms.saude.gov.br/bvs/publicacoes/guiapraticohanseniasecab36.pdf¿.
[Talhari et al. 2012]TALHARI, S. et al. Hansenologia. 4ª. ed. Rio de Janeiro: Di Livros,
2012.
[Topol 2019]TOPOL, E. J. Deep Medicine: How Artificial Intelligence Can Make
Healthcare Human Again. [S.l.]: Basic Books, 2019.
[Transmiss´ıveis 2016]TRANSMISS´ıVEIS, D. de Vigilˆancia das D. Diretrizes para
vigilˆancia, aten¸c˜ao e elimina¸c˜ao da Hansen´ıase como problema de sa´ude p´ublica:
manual t´ecnico-operacional. Bras´ılia, 2016. Dispon´ıvel em:
<https://bvsms.saude.gov.br/bvs/publicacoes/diretrizeseliminacaohanseniasemanualtecnico.pdf¿.
[World Health Organization 2023]World Health Organization. Global leprosy (Hansen
disease) update, 2022: adapting and moving forward. Weekly Epidemiological Record,
v. 98, n. 36, p. 389–412, 2023. Dispon´ıvel em:
<https://iris.who.int/bitstream/handle/10665/372429/WER9836-389-412-engfre.
pdf>.32 | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.rights | An error occurred on the license name. | * |
| dc.rights.uri | An error occurred getting the license - uri. | * |
| dc.subject | Sistema de computação | pt_BR |
| dc.subject | Inteligência artificial | pt_BR |
| dc.subject | Hanseníase | pt_BR |
| dc.subject | Avaliação neurológica simplificada | pt_BR |
| dc.subject | Digitalização automatizada | pt_BR |
| dc.title | ANS2JSON: uma API baseada em IA, para extração de Informações da avaliação neurológica de pacientes com hanseníase | pt_BR |
| dc.type | TCC | pt_BR |
| dc.creator.Lattes | http://lattes.cnpq.br/6780359629214963 | pt_BR |
| dc.contributor.advisor1 | Andrade, Hilson Gomes Vilar de | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1329499647057192 | pt_BR |
| dc.contributor.referee1 | Anadrade, Hilson Gomes Vilar de | |
| dc.contributor.referee2 | Dantas, Ramide Augusto Sales | |
| dc.contributor.referee3 | Mello, Maria Eduarda Ferro de | |
| dc.contributor.referee1Lattes | http://lattes.cnpq.br/1329499647057192 | pt_BR |
| dc.contributor.referee2Lattes | http://lattes.cnpq.br/2064404611798738 | pt_BR |
| dc.contributor.referee3Lattes | http://lattes.cnpq.br/7907018133765041 | pt_BR |
| dc.publisher.department | Recife | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::SOFTWARE BASICO | pt_BR |
| dc.description.resumo | A Avaliação Neurológica Simplificada (ANS) ´e uma ferramenta obrigatória e fundamental
para o monitoramento de pacientes com hanseníase no Brasil. Contudo, seu
formato físico e preenchimento manual representam um grande obstáculo, retendo dados
clínicos cruciais em arquivos de papel e impedindo análises longitudinais, pesquisas em
larga escala e a formulação de políticas de saúde baseadas em evidências. Este trabalho
apresenta o ANS2JSON, um aplicativo inovador que rompe essa barreira através de uma
arquitetura híbrida de Inteligência Artificial para a digitalização completa e automática
das fichas ANS. A solução enfrenta o desafio de interpretar um formulário complexo, que
mescla dados textuais com diagramas visuais, empregando um pipeline de dois estágios:
(1) um modelo de visão computacional (YOLOv8 + Random Forest) para detectar e
mapear anatomicamente os pontos da avaliação de sensibilidade, e (2) um modelo de
Processamento Inteligente de Documentos para extrair os campos textuais. A abordagem
demonstrou altíssima eficácia, alcançando 97,5% de precisão na interpretação dos dados
visuais e mais de 95% na extração de indicadores clínicos chave. O ANS2JSON, disponibilizado
publicamente via web, oferece uma ferramenta robusta para converter um vasto
acervo de dados não estruturados em informações digitais, prontas para uso, desbloqueando
o potencial de anos de registros clínicos para o avanço no tratamento e na pesquisa
da hanseníase. O aplicativo está disponível em: https://ans2json.dotlabbrazil.com.br. | pt_BR |