Search

A Tuberculose (TB) e reconhecida como a doença mais mortal do mundo, segundo a World Health Organization (WHO). O Brasil e um dos países com alta carga de TB, e uma das maiores taxas de mortalidade do país encontrasse no estado do Amazonas. Os principais objetivos desse artigo são: uma análise dos dados de pacientes e óbitos por TB obtidos pelo SINAN e o de envolvimento de um modelo de deep learning (DL) que auxilie profissionais de saúde no processo de pós-diagnostico de pacientes com TB. Os dados Analisados mostram que as taxas de óbito aumentam para pacientes com agravos como Álcool ou Diabetes, além disso, a maioria dos casos são novos, contudo a taxa de óbito a cada 1000 pacientes com entrada Recidiva é alta também. Os modelos de DL apresentam resultados interessantes, alcançando em alguns casos, 80% de especificidade e 87% de sensibilidade.

Os números de óbito por tuberculose no Brasil são muito altos. Isso ocorre por vários motivos: o diagnóstico e a decisão pós-diagnostico falhos, faz com que pacientes não recebam o tratamento adequado para a doença. Baseado-se nisso, este trabalho em andamento propõe o levantamento de requisitos para a criação de uma aplicação ao WEB, denominada DeepTub, para visualização (a) de dados de tuberculose, inicialmente do Estado do Amazonas, e (b) de dados de resultados de modelos computacionais que realizam predição de probabilidade de morte pela doença em questão. O objetivo é levantar requisitos para o desenvolvimento de uma aplicação WEB que irá colaborar com uma melhor compreensão sobre os padrões da doença e das áreas e grupos de risco, servindo como uma ferramenta de suporte para profissionais da área de saúde Este artigo apresenta os requisitos levantados e um protótipo que mostra como sera a aplicação que será desenvolvida em trabalhos futuros.

A Tuberculose (TB) é reconhecida como a doença mais mortal do mundo, segundo a World Health Organization (WHO). O Brasil é um dos países com alta carga de TB, e uma das maiores taxas de mortalidade do país encontra-se no estado do Amazonas. Os principais objetivos desse artigo são: uma análise dos dados de pacientes e óbitos por TB obtidos pelo SINAN e o desenvolvimento de um modelo de deep learning (DL) que auxilie profissionais de saúde no processo de pós-diagnóstico de pacientes com TB. Os dados Analisados mostram que a taxa de óbito aumentam para pacientes com agravos como Álcool ou Diabetes, além disso, a maioria dos casos são novos, contudo a taxa de óbito a cada 1000 pacientes com entrada Recidiva é alta também. Os modelos de DL apresentam resultados interessantes, alcançando em alguns casos, 80% de especificidade e 87% de sensibilidade.

A adoção generalizada da computação em nuvem tem sido impulsionada por vantagens percebidas em agilidade e escalabilidade inerentes à computação em nuvem. Para os provedores de serviço em nuvem, gerenciar a alta expectativa dos clientes e os danos resultantes das interrupções do serviço é um desafio crescente e crítico. Este trabalho examina a relação entre arquiteturas de infraestrutura de energia e disponibilidade de aplicativos de software em um data center. Os resultados aponta que a infraestrutura de energia é importante na disponibilidade do serviço. À medida que aumentamos o nível de redundância da arquitetura, conseguimos melhores resultados.

Estima-se que a expectativa de vida da população mundial, até 2030, seja de 90 anos, em média. As comunidades tem dedicado esforços no desenvolvimento de aplicações que promovam qualidade de vida para os idosos. Assim, serviços de monitoramento de sinais vitais e sistemas de detecção de quedas estão em evidência. Uma parte dos esforços focam nestes serviços utilizando IoT (Internet of Thing). No entanto, devido ao alto fluxo de dados, dispositivos IoT não são capazes de processar, armazenar e garantir os SLAs (Service Level Agreements) destes serviços. Neste contexto, a IoT possui dois grandes aliados: fog e cloud. Este artigo apresenta uma proposta de arquitetura para sistemas e-health utilizando IoT, fog e cloud, e também as características para construção de um protótipo.

O presente artigo tem como intuito relatar a ideia de transformar a monitoria da disciplina de Redes de Computadores I em uma experiencia EAD. Esse projeto foi aplicado na Universidade de Pernambuco (Campus Caruaru) e visa dar continuidade ao projeto “Digitalização do Curso de Linguagem de Programação e Algoritmos - Uma Proposta de EAD”, que por sua vez, concebeu a criação do canal acervoUPE, no site YouTube. Os objetivos do projeto englobam a expansão de uma biblioteca online disponível para os alunos, assim como, colaborar com os alunos da disciplina de tal forma que todos possamacompanhar o conteúdo de maneira cômoda e prática.

Hoje, existem mais de 900 milhões de pessoas que sofrem com algumas doenças crônicas em todo o mundo. Por essa razão, sistemas de e-health estão sendo desenvolvidos para prover uma melhor qualidade de vida para os pacientes. Deep learning tem sido uma técnica importante incorporada nesses sistemas para prever e classificar dados sem a necessidade de um especialistaatuando 24 horas. No entanto, a combinação de sistemas de e-health e técnicas de deep learning traz vários desafios que precisam ser superados. Com base nesse contexto, este trabalho em andamento propõe um sistema e-health baseado em fog e cloud computing, usando o deep learning para prever convulsões epilépticas.

A Computação em Nuvem é uma realidade do nosso dia-a-dia. Porém, apesar das diversas vantagens para seus usuários, os provedores de Nuvem precisam lidar com diversos problemas, como o gerenciamento de recursos de forma eficiente, que consiga reduzir custos energéticos e manter a qualidade dos serviços oferecidos. Esta prática é denominado como Nuvem Verde. Para encontrar soluções, a arquitetura dos datacenters é um ponto bastante investigado na literatura. Para propor novas estrategias e obter resultados para analises confiáveis, é comum o uso de simuladores, como o GreenCloud. Este artigo tem como objetivo apresentar conceitos de Nuvem Verde, topologiasde datacenter e o simulador GreenCloud.

Objetivo: predizer as pontuações motoras da doença de Parkinson baseado em uma abordagem híbrida que utilize uma combinação de aprendizado não-supervisionado e supervisionado. Metodologia: utilizou-se a CRISP-DM(Cross Industry Standard Process for Data Mining). Resultados:amédia dos erros 0.03922218, 0.03592167, e desvio padrão são 0.00082, 0.00081, para regressão linear e a abordagem híbrida, respectivamente. Obteve-seevidências que a abordagem apresentou um erro de predição menor que a Regressão Linear com o valor do p-value de 2.2e-16 ao nível de significância de 5%. Considerações Finais:a abordagem híbrida apresentou resultados satisfatórios e pode potencializar o resultado da estimação em bases de dados.

Internet das coisas e cloud computing são duas áreas que, cada vez mais, estão sendo integradas, visando a melhor utilização dos recursos de ambas as partes para alcançar um objetivo comum. Esta união oferece diversas vantagens, como maior disponibilidade, e maior capacidade de processamento e armazenamento, por exemplo. As aplicações e-Health tem aproveitado as vantagens desta integração, especialmente porque, por tratarem da saúde de pacientes, as mesmas são críticas e precisam estar em funcionamento o maior tempo possível. Neste contexto, o presente artigo propõe modelos matemáticos pra analisar como as falhas no sistema integrado de edge, fog e cloud podem impactar na disponibilidade de um sistema de e-Health.

A computação em nuvem tem se tornado um foco de pesquisa bastante forte nos últimos anos. Os administradores de servidores estão migrando sua infraestrutura física para a nuvem. São objetivos do artigo: (i) apresentar o simulador Greencloud, com foco nos algoritmos de balanceamento de cargae (ii) realizar simulações em cenários de nuvem, analisando a eficiência dos algoritmos de balanceamento de cargas presentes no simulador.

Internet das coisas e computação em nuvem são duas áreas que cada vez mais vem sido trabalhadas de forma conjunta, visando utilizar os recursos de ambas para o bem comum. Dentre a inúmera quantidade de vantagens que essa união oferece, está a captura, processamento e distribuição de dados obtidos de sensores através da infraestrutura da nuvem para aplicações utilizadas por interessados nessas informações. Isso dá origem ao que pode ser chamado de Sensing-as-a-Service. Nesse contexto, existem varias aplicações possíveis com a utilização dessa estrutura e que podem beneficiar diversos tipos de stakeholders. Unindo computação em nuvem e IoT pode trazer benefícios tanto de um para o outro como para a disponibilização de dados pela rede.