Search

Objective To investigate the levels of anxiety, depression and stress and their associated factors, among nursing professionals who make up the team working against COVID-19 of a University Hospital in the south of Brazil. Method Exploratory, descriptive, cross-sectional study conducted from May to July 2020. Results From the total number of professionals, 53.8% had anxiety; 38.4% depression; and 40.3%, stress. Age, length of service in the profession, job satisfaction and work shift showed a statistically significant association with depression, while the employment contract, length of service in the UH, length of service in the unit prior to the opening of the COVID-19 unit and satisfaction at work showed a significant association with stress. Conclusions The nursing professionals of the COVID-19 team have important levels of anxiety, depression and stress, and the factors associated with depression and stress have been identified. RESUMEN Objetivo Investigar los niveles de ansiedad, depresión y estrés y sus factores asociados, entre los profesionales de enfermería que integran el equipo de trabajo contra el COVID19 de un Hospital Universitario en el sur de Brasil. Método Estudio exploratorio, descriptivo, transversal realizado de mayo a julio de 2020. Resultados Del total de profesionales, 53,8% presentaban ansiedad; 38,4% de depresión; y 40,3%, estrés. La edad, el tiempo de servicio en la profesión, la satisfacción laboral y el turno de trabajo mostraron una asociación estadísticamente significativa con la depresión, mientras que el contrato de trabajo, el tiempo de servicio en la HU, el tiempo de servicio en la unidad antes de la apertura de la unidad COVID-19 y la satisfacción en el trabajo mostró una asociación significativa con el estrés. Conclusiones Los profesionales de enfermería del equipo COVID-19 presentan importantes niveles de ansiedad, depresión y estrés, y se han aclarado los factores asociados a la depresión y el estrés. RESUMO Objetivo Investigar os níveis de ansiedade, depressão e estresse e seus fatores associados, entre profissionais de enfermagem que compõem a equipe que atua na unidade COVID19 de um Hospital Universitário na região sul-brasileira. Método Estudo exploratório, descritivo, transversal realizado de maio a julho de 2020. Resultados Do total de profissionais, 53,8% apresentaram ansiedade; 38,4% depressão; e 40,3%, estresse. Idade, tempo de serviço na profissão, satisfação no trabalho e turno de trabalho apresentaram associação estatisticamente significativa com a depressão, enquanto o contrato de trabalho, tempo de serviço no HU, tempo de serviço na unidade anterior à abertura da unidade COVID-19 e satisfação no trabalho apresentaram associação significativa com o estresse. Conclusões Os profissionais de enfermagem da equipe COVID-19 apresentam níveis importantes de ansiedade, depressão e estresse, sendo que os fatores associados à depressão e ao estresse foram identificados.

O objetivo é analisar os relacionamentos entre médicos que possuem pacientes em comum a partir de sinistros de seguradora de saúde. Utilizou-se a técnica de analítica de grafos para modelar os relacionamentos e foram calculadas métricas de centralidades para encontrar a importância relativa dos médicos. Houve a concordância das métricas de grau e autovalor e de betweenness e closeness (10% a 15% no top 100 médicos). Além disso, os 5 médicos com maior valor na métrica de autovalor estão altamente conectados entre si. Conclui-se que as métricas captaram o relacionamento entre os médicos desta comunidade que coincidem com a literatura indicando que é possível encontrar médicos que colaboram entre si no cuidado do paciente dentro e fora do hospital. Além disso, os médicos de maior autovalor indicam que são referência para outros médicos e médicos que estão conectados com muitos outros sugerem que estes influênciam nas decisões de seus pacientes. The aim of this work is to analyze the relationship between physicians from a health insurance company, who attend the same patient. We use graph analytics to model the physician’s relationship. Centrality metrics were calculated to find the relative importance of the physicians. There was the agreement on the metrics of degree and eingenvalue and of betweenness and closeness (10% to 15% in the top 100 physicians). In addition, physicians with 5 highest eigenvalue in the metric are highly interconnected. We conclude that the metrics captured the relationship between the physicians in this community that coincide with the literature, indicating that we can find physicians who collaborate on patient care within and outside the hospital. In addition, physicians with largest eigenvalue indicate that they are reference to other physicians, and physicians who are connected to many others, suggest, that they influence their patients’ decisions. Fil: Ito, Márcia. International Business Machines Corporation; Brasil Fil: Moyano, Luis Gregorio. Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina Fil: Appel, Ana Paula. International Business Machines Corporation; Brasil Fil: Figueredo de Santana, Vagner. International Business Machines Corporation; Brasil

The increase of the amount of data represented as a graph, likecomplex networks, motivated the creation of a new research area called graph mining. This work proposes a new framework based on components, called Centaurs, to mine data represented as a graph. The main idea of Centaurs is to couple community detection and link prediction algorithms to mine missing edges that were missed during the graph building process.Graph preprocessing and storage algorithms are also explored in this proposal, given that large graphs cannot always be storage in main memory only.The main Centaurs's case study is the Read the Web project that aims to build a graph to represent knowledge extract from the Web based on a never ending learning algorithm.

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico FAPEMIG - Fundação de Amparo a Pesquisa do Estado de Minas Gerais UFU - Universidade Federal de Uberlândia A disponibilidade abundante de dados torna inviável a busca manual por informações relevantes. Os métodos automáticos para organizar os dados, como a detecção de agrupamentos, podem ser úteis para ajudar nesta tarefa propiciando o acesso à informação desejada em tempo hábil. As abordagens de detecção semissupervisionada de agrupamentos empregam alguma informação adicional para guiar o processo baseado nos atributos dos dados de forma a obter uma organização mais próxima da desejada pelo usuário. Todavia, a informação extra pode mudar ao longo do tempo impondo uma mudança na maneira como os dados devem ser organizados. Para ajudar a lidar com esse problema, propõe-se o framework CABESS (Cluster Adaptation Based on Evolving Semi-Supervision), para detecção online de agrupamentos semissupervisionada. O framework é capaz de lidar com a evolução da semissupervisão obtida a partir de feedbacks binários do usuário. Para validar a abordagem, os experimentos foram executados sobre sete conjuntos de dados com rótulos baseados em hierarquia considerando a especialização e generalização dos agrupamentos ao longo do tempo. Os resultados experimentais mostram o potencial do framework proposto para lidar com a evolução da semissupervisão. Além disso, eles também mostram que o framework é mais rápido que os tradicionais algoritmos de detecção de agrupamentos semissupervisionados, mesmo usando um tipo pobre de especificação da semissupervisão. The huge amount of currently available data puts considerable constraints on the task of information retrieval. Automatic methods to organize data, such as clustering, can be used to help with this task allowing timely access. Semi-supervised clustering approaches employ some additional information to guide the clustering performed based on data attributes to a more suitable data partition. However, this extra information may change over time imposing a shift in the manner by which data is organized. In order to help cope with this issue, this dissertation proposes the framework called CABESS (Cluster Adaptation Based on Evolving Semi-Supervision), for online clustering. This framework is able to deal with evolving semi-supervision obtained through user binary feedbacks. To validate the approach, the experiments were run over seven hierarchical labeled datasets considering clustering splits and merges over time. The experimental results show the potential of the proposed framework for dealing with evolving semi-supervision. Moreover, they also show that the framework is faster than traditional semi-supervised clustering algorithms using lower standard semi-supervision. Dissertação (Mestrado)

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) With the exponentially growing of data available on the Web, several projects were created to automatically represent this information as knowledge bases(KBs). Knowledge bases used in most projects are represented in an ontology-based fashion, so the data can be better organized and easily accessible. It is common to map these KBs into a graph to apply graph mining algorithms to extract implicit knowledge from the KB, knowledge that sometimes is easy for human beings to infer but not so trivial to a machine. One common graph-based task is link prediction, which can be used not only to predict edges (new facts for the KB) that will appear in a near future, but also to nd misplaced edges (wrong facts present in the KB). In this project, we create algorithms that uses graph-mining (mostly link-prediction based) approaches to nd implicit knowledge from ontological knowledge bases. Despite of common graph-mining algorithms, we mine not just the facts on the KB, but also the ontology information (such as categories of instances and relations among them). The implicit knowledge that our algorithms will nd, is not just new facts for the KB, but also new relations and categories, extending the ontology as well. Com o crescimento exponencial dos dados disponíveis na Web, diversos projetos foram criados para automaticamente representar esta informação como bases de conhecimento( KBs). As bases de conhecimento utilizadas na maioria destes projetos são representadas através de uma ontologia, então os dados são melhor organizados e facilmente acessíveis. E comum mapear estes KBs utilizando grafos para aplicação de algoritmos de mineração em grafos com o intuito de extrair conhecimento implícito do KB, conhecimento que as pode ser facil para seres humanos inferir mas não são tão triviais para uma maquina. Uma tarefa comum e a predição de arestas, que pode ser usada para encontrar arestas (fatos no KB) que vão aparecer em um futuro próximo, e além disso para encontrar arestas mal alocadas (fatos incorretos no KB). Neste projeto, criamos algoritmos que utilizam mineração em grafos (na maioria baseados em predição de arestas) para encontrar conhecimento implícito em bancos de conhecimento ontológicos. Apesar do uso comum de algoritmos de predição de arestas, vamos minerar também informações da ontologia (como categorias das instancias e relações entre elas). O conhecimento implícito que nossos algoritmos vai encontrar, serão não somente novos fatos para o KB, mas também novas relações e categorias, estendendo também a ontologia.