-
Notifications
You must be signed in to change notification settings - Fork 0
Commit
This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.
- Loading branch information
1 parent
642b5bb
commit 8ee6170
Showing
1 changed file
with
23 additions
and
0 deletions.
There are no files selected for viewing
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
Original file line number | Diff line number | Diff line change |
---|---|---|
@@ -0,0 +1,23 @@ | ||
# Fetal Health Classifier 👶🏻 | ||
|
||
Repositório para o projeto de `detecção de sofrimento fetal` utilizando técnicas de **Inteligência Artificial e Machine Learning** com o auxílio de **Keras e TensorFlow**. O foco principal está na análise de dados provenientes de cardiotocografias para prever possíveis situações de risco durante o trabalho de parto. | ||
|
||
## 🌐 Contextualização | ||
|
||
O termo `sofrimento fetal` refere-se a situações críticas durante o trabalho de parto, nas quais o bebê está em risco de vida. A `cardiotocografia` é o exame central neste contexto, assemelhando-se a um eletrocardiograma, mas destinado a monitorar o batimento cardíaco do feto e diversas variáveis relacionadas às contrações uterinas da gestante. | ||
|
||
A cardiotocografia desempenha um papel crucial em gestações de risco, detectando momentos de sofrimento fetal. **Quando identificado, este quadro demanda uma ação imediata**, frequentemente resultando em cesariana para preservar a vida do bebê e da gestante. | ||
|
||
Além do aspecto clínico, a `cardiotocografia é amplamente utilizada em situações de gestação de risco`, inclusive na rede pública de saúde. Sua aplicação preventiva visa reduzir a mortalidade infantil e materna, tornando-se uma ferramenta valiosa para profissionais de saúde. | ||
|
||
## 📊 Classes de classificação e dataset | ||
|
||
No contexto do problema, cada leitura da cardiotocografia é classificada em uma das três categorias a seguir, sendo fundamental para a tomada de decisão clínica: | ||
|
||
- `normal`: estado apropriado, dentro dos parâmetros esperados; | ||
- `suspeito`: indicando possível sofrimento fetal iminente; | ||
- `patológico`: indicando que o bebê está em sofrimento fetal. | ||
|
||
## 🛠️ Abordagem na resolução do problema | ||
|
||
Ao lidar com os dados, o especialista médico desempenha um papel crucial, identificando as características relevantes no exame. A tarefa, neste exercício, é utilizar um conjunto de dados já processado para criar um `modelo preditivo`. Esse modelo deverá vincular as características extraídas do exame com as categorias de classificação, permitindo a previsão do estado do bebê com base nas variáveis monitoradas. Para isso, utilizaremos a biblioteca Keras em conjunto com o TensorFlow. |