Mostrar registro simples

dc.creatorMelo, Jamilly Braga
dc.date.accessioned2026-03-16T23:03:33Z
dc.date.available2026-03-16T23:03:33Z
dc.date.issued2025-09-16
dc.identifier.citationMELO 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.urihttps://repositorio.ifpe.edu.br/xmlui/handle/123456789/2056
dc.description.abstractThe 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.extent70f.pt_BR
dc.languagept_BRpt_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>.32pt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAn error occurred on the license name.*
dc.rights.uriAn error occurred getting the license - uri.*
dc.subjectSistema de computaçãopt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectHanseníasept_BR
dc.subjectAvaliação neurológica simplificadapt_BR
dc.subjectDigitalização automatizadapt_BR
dc.titleANS2JSON: uma API baseada em IA, para extração de Informações da avaliação neurológica de pacientes com hanseníasept_BR
dc.typeTCCpt_BR
dc.creator.Latteshttp://lattes.cnpq.br/6780359629214963pt_BR
dc.contributor.advisor1Andrade, Hilson Gomes Vilar de
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1329499647057192pt_BR
dc.contributor.referee1Anadrade, Hilson Gomes Vilar de
dc.contributor.referee2Dantas, Ramide Augusto Sales
dc.contributor.referee3Mello, Maria Eduarda Ferro de
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1329499647057192pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2064404611798738pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/7907018133765041pt_BR
dc.publisher.departmentRecifept_BR
dc.publisher.countryBrasilpt_BR
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::SOFTWARE BASICOpt_BR
dc.description.resumoA 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


Arquivos deste item

Thumbnail
Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples