Comparação dos métodos de pesquisa de parasitas intestinais utilizados nos laboratórios clínicos em Cabo Verde com o método de Ritchie modificado.

As parasitoses intestinais constituem um grave problema de saúde pública, sendo o diagnóstico laboratorial essencial na sua identificação e controlo, tornando- se importante a escolha do método de eleição no processo, para que seja feito um diagnóstico fidedigno, através de técnicas sensíveis e específicas. Várias técnicas são usadas na identificação e pesquisas destes microrganismos, entre os quais o exame directo/ a fresco, métodos de concentração, como método de Willis, método de Faust e Cols, método bifásico de Ritchie modificado, técnicas de sedimentação como Hoffmam, Pons e Janer, método de Baermann, método de Graham (fita adesiva), métodos de coloração como hematoxilina férrica, coloração tricrômica, assim como uso de técnicas moleculares e testes rápidos (DOLDMAN, 2009). O presente estudo teve como objectivo avaliar a sensibilidade e especificidades das técnicas utilizadas no diagnóstico de parasitas intestinais nos laboratórios públicos de análises clínicas em Cabo Verde comparativamente ao método de Ritchie modificado. O estudo envolveu a análise de 251 amostras recolhidas em crianças dos 2 a 12 anos da comunidade de Rincão de Santa Catarina. Os métodos de diagnóstico laboratoriais utilizados foram os métodos de concentração de Willis, Ritchie modificado por Sales de Cunha e exame a fresco/directo. As amostras foram analisadas na Unidade Sanitária Base de Rincão e no Laboratório análises Clínica do Hospital Regional Santiago Norte. Para análise estatística, foram utilizadas Excel (2007), SPSS (versão 17). O método de Ritchie modificado mostrou ser mais sensível que o método de concentração de Willis. Também verificou-se a necessidade da realização de técnicas cada vez mais sensíveis no diagnóstico laboratorial dos parasitas intestinais nos laboratórios de análises clínicas estatais no Pais.

Protótipo de testes para aprendizagem com classificadores múltiplos

Os classificadores múltiplos são processos que utilizam um conjunto de modelos, cada um deles obtido pela aplicação de um processo de aprendizagem para um problema dado. Combinam vários classificadores individuais, em que para cada um deles são utilizados dados de treino para gerar limites de decisão diferentes. As decisões produzidas pelos classificadores individuais contém erros, que são combinados pelos classificadores múltiplos de forma a reduzir o erro total. Estes têm vindo a ganhar uma crescente importância devido principalmente ao facto de permitirem obter um melhor desempenho quando comparado com o obtido por qualquer um dos modelos que o compõem, principalmente quando as correlações entre os erros cometidos pelos modelos de base são baixos. A investigação nesta área tem crescido, tornando-se uma área de investigação importante. No entanto, para que o desempenho seja melhor do que o desempenho obtido por cada classificador individualmente, é necessário que cada um deles produza uma decisão diferente originando uma diversidade de classificação. Esta diversidade pode ser obtida tanto pela utilização de diferentes conjuntos de dados para o treino individual de cada classificador, como também pela utilização de diferentes parâmetros de formação de diferentes classificadores. Apesar disso, a utilização de classificadores múltiplos para aplicações no mundo real pode apresentar-se como dispendiosa e morosa. Tem-se notado nos dias de hoje que o desenvolvimento web tem vindo a crescer exponencialmente, assim como o uso de bases de dados. Desta forma, combinando a forte utilização da linguagem R para cálculos estatísticos com a crescente utilização das tecnologias web, foi implementado um protótipo que facilitasse a utilização dos classificadores múltiplos, mais precisamente, foi desenvolvida uma aplicação web que permitisse o teste para aprendizagem com classificadores múltiplos, sendo utilizadas as tecnologias PHP, R e MySQL. Com esta aplicação pretende-se que seja possível testar algoritmos independentes do software em que estejam desenvolvidos, não sendo necessariamente escritos em R. Nesta Dissertação foi utilizada a expressão “classificadores múltiplos” por ser a mais comum, apesar de ser redutora e existirem outros termos mais genéricos como por exemplo modelos múltiplos e ensemble learning.