Portal de Eventos CoPICT - UFSCar, XXVII CIC e XII CIDTI

Tamanho da fonte: 
SISTEMA DE COLETA E ANÁLISE DE DADOS EM NUVEM UTILIZANDO TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA AUXÍLIO AO TRATAMENTO E AUTOCUIDADO DA DIABETES MELLITUS
Gustavo de Souza, Edilson Reis Kato

Última alteração: 2021-03-18

Resumo


Introdução:

Cerca de 463 milhões de pessoas no mundo são diagnosticadas com Diabetes Mellitus (DM) segundo, sendo que metade desconhecem o seu diagnóstico, segundo Diabetes Research and Clinical Practice.

Além da doença causar uma tolerância à glicose prejudicada, o que coloca o usuário em risco, também causa a perda da visão, com base neste problema o atual trabalho dispõe ao paciente com visão debilitada, uma forma de continuar tendo uma autonomia para realizar suas medições de glicose, por meio do glicosímetro que apresenta alertas sonoros para comunicar com o paciente, deste modo não dependendo de sua visão.

 

Objetivo:

O objetivo desse trabalho é a construção de um sistema de coleta (back e front-end), transmissão e análise dados (utilizando Lógica Fuzzy) provenientes de pacientes que tenham a Diabetes Mellitus (DM) e necessitam de um acompanhamento de sua taxa glicêmica, constantemente.

Esse projeto é parte integrante da patente BR2020190071198, dispositivo de controle de glicemia com interface auditiva, alertas e conectividade WI-FI.

O sistema desenvolvido é um conjunto de sub partes e cada com uma responsabilidade específica. Dentre as sub partes existem três principais, a primeira o dispositivo de coleta, glicosímetro, a segunda parte é o broker MQTT que recebe os dados provenientes do glicosímetro e por fim a aplicação web rodando em um servidor que exibirá a análise realizada ao paciente, seus familiares e até profissionais da saúde.

 

Metodologia:

Seguindo a ordem das sub partes, o intuito do sistema é mensurar o valor de glicose através do dispositivo glicosímetro (Arduino), o aparelho irá realizar uma publicação no broker (utilizando o formato publisher-subscriber) passando o valor da glicose recém mensurada e outros parâmetros provenientes de perguntas diárias como: "você realizou atividade física hoje?".

Simultaneamente o servidor da aplicação, desenvolvido em python, estará assinando o broker aguardando por novas publicações, assim que o servidor tiver os dados da coleta, irá realizar uma série de processamentos com esses dados.

Com um algoritmo de inteligência artificial baseado em Lógica Fuzzy será capaz de determinar se o paciente que realizou a medida com o glicosímetro está na faixa de valores que representam uma boa quantidade de glicose no sangue ou se está acima/abaixo do ideal, deste modo, resultando em uma tendência ao longo do tempo.

 

Resultados:

O software do dispositivo de coleta foi inteiramente construído, pois o intuito aqui não era fazer um mecanismo físico de coleta, mas sim fazer o sistema que iria repassar os dados coletados ao servidor. Com a utilização do broker foi possível essa transmissão de dados do dispositivo ao servidor.

O servidor está pronto para receber os dados do glicosímetro e novos cadastros tanto de pacientes, familiares e médicos, sendo que estes dois últimos têm acesso aos dados de um paciente específico.

 

Conclusões:

O sistema como um todo está funcionando como o esperado e dentro das metas deste projeto, mas a ideia é expandir o seu potencial pois será utilizado como tema de trabalho de conclusão de curso do aluno em questão.

 


Palavras-chave


Glicosímetro, Diabetes Mellitus, Dados em Nuvem, Internet das Coisas, Lógica Fuzzy

Referências


[1]. BORGES, V. A.; LEAL, A. M. O.; KATO, E. R. R. Pedido nacional de invenção, modelo de utilidade, certificado de adição de invenção e entrada na fase nacional do PCT. Dispositivo de controle de glicemia com interface auditiva, alertas e conectividade WI-FI. Depositante: Fundação Universidade Federal de São Carlos. BR n. 20 2019 007119 8. Concessão: 08 mai. 2019.

[2]. IDF (Belgium) (Org.). IDF Diabetes Atlas. 7. ed. Brussels: Idf, 2015. 144 p. Disponível em: www.idf.org/diabetesatlas.

[3]. MISHRA, S. S.; RASOOL, A. IoT Health care Monitoring and Tracking: A Survey2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI), Tirunelveli, India, 2019, pp. 1052-1057.

[4]. ALTHUNAYAN,L.; ALSAHDI, N.; SYED, L. Comparative analysis of different classification algorithms for prediction of diabetes disease. In Proceedings of the Second International Conference on Internet of things, Data and Cloud Computing (ICC '17). ACM, New York, NY, USA, 2017, Article 144, 6 pages.

[5]. GEORGE, M; MARY, A.; SUDEEP, C.; KURIEN, K;  ALI, N. Diabetes care in cloud - research challenges. In Proceedings of the 34th ACM/SIGAPP Symposium on Applied Computing (SAC '19). ACM, New York, NY, USA, 2019, 160-162.

[6]. KAWTRAKUL, A.; CHANLEKHA, H.; ISSARIYAKUL, T.; KHUNTHONG, V. Cloud-Based Personal Health Information Broker for Emergency Medical Services. In Proceedings of the 9th International Conference on Management of Digital EcoSystems (MEDES '17). ACM, New York, NY, USA, 2017, 188-193.

[7]. PREUVENEERS, D.; BERBERS, Y. Mobile phones assisting with health self-care: a diabetes case study. In Proceedings of the 10th international conference on Human computer interaction with mobile devices and services (MobileHCI '08). ACM, New York, NY, USA, 2008, 177-186.

[8]. POROPATICH, R.; PAVLISCSAK, H.; RASCHE, J.; BARRIGAN, C.; VIGERSKY, R.; FONDA, S.; BELL, A. Mobile healthcare in the US army. In Wireless Health 2010 (WH '10). ACM, New York, NY, USA, 2010, 184-187.

[9]. B. Narasimhan and A. Malathi, Fuzzy logic system for risk-level classification of diabetic nephropathy, 2014 International Conference on Green Computing Communication and Electrical Engineering (ICGCCEE), Coimbatore, 2014, pp. 1-4, doi: 10.1109/ICGCCEE.2014.6922474.

[10]. P. Undre, H. Kaur and P. Patil, Improvement in prediction rate and accuracy of diabetic diagnosis system using fuzzy logic hybrid combination, 2015 International Conference on Pervasive Computing (ICPC), Pune, 2015, pp. 1-4, doi: 10.1109/PERVASIVE.2015.7087029.