O uso da metodologia CRISP-DM para apoiar a análise de dados no aplicativo mHealth IUProst

• Noelí Antonia Pimentel Vaz UFG / UEG
• Deborah Silva Alves Fernandes UFG
• Sergio T. Carvalho UFG

DOI: https://doi.org/10.5753/sbcas.2024.2640

Resumo

O uso de dispositivos móveis na saúde visa auxiliar no controle e monitoramento de doenças e condições clínicas, colaborando com o autocuidado das pessoas. Nesse contexto, o IUProst destaca-se como uma aplicação mHealth que auxilia pacientes durante o tratamento da incontinência urinária, uma comorbidade decorrente da cirurgia de retirada de próstata em pacientes que enfrentaram o câncer. Apesar do potencial das aplicações mHealth, como o IUProst, para auxiliar no tratamento da incontinência urinária, a baixa adesão dos usuários destaca a urgência de implementar mecanismos de engajamento eficazes. O objetivo deste artigo é relatar uma pesquisa que utiliza a metodologia CRISP-DM para identificar padrões, tendências e percepções nos dados do IUProst, visando levantar demandas para subsidiar os próximos ciclos de evolução e o aprimoramento da aplicação. Análises dos resultados obtidos nas fases de compreensão do negócio e compreensão dos dados, revelaram um número significativo de usuários e exercícios realizados, porém com baixa participação no tratamento cognitivo comportamental proposto.

Referências

de Oliveira Santos, M., de Lima, F. C. d. S., Martins, L. F. L., Oliveira, J. F. P., de Almeida, L. M., and de Camargo Cancela, M. (2023). Estimativa de incidência de câncer no brasil, 2023-2025. Revista Brasileira de Cancerologia, 69(1).

dos Anjos, F. M., Oliveira, L. W., Souza, C. H. R., and Carvalho, S. T. (2022). Aplicaçoes de técnicas de machine learning e gamificaçao no autocuidado em saude: Uma revisao sistemática. Anais Estendidos do XXI Simpósio Brasileiro de Jogos e Entretenimento Digital, pages 1376–1380.

Fan, S., Jain, R. C., and Kankanhalli, M. S. (2024). A comprehensive picture of factors affecting user willingness to use mobile health applications. ACM Transactions on Computing for Healthcare, 5(1):1–31.

Gupta, M. K. and Chandra, P. (2020). A comprehensive survey of data mining. International Journal of Information Technology, 12(4):1243–1257.

Izidoro, L. C. d. R., Mata, L. R. F. d., Azevedo, C., Paula, A. A. P. d., Pereira, M. G., Santos, J. E. M. d., Brasil, V. V., and Oliveira, L. M. d. A. C. (2022). Programa cognitivo-comportamental para controle de sintomas do trato urinário inferior pós-prostatectomia radical: ensaio clínico randomizado. Revista Brasileira de Enfermagem, 75.

Kim, G., Hwang, D., Park, J., Kim, H. K., and Hwang, E.-S. (2024). How to design and evaluate mhealth apps? a case study of a mobile personal health record app. Electronics, 13(1).

Maataoui, S., Bencheikh, G., and Bencheikh, G. (2023). predictive maintenance in the industrial sector: a crisp-dm approach for developing accurate machine failure prediction models. In 2023 Fifth International Conference on Advances in Computational Tools for Engineering Applications (ACTEA), pages 223–227. IEEE.

Machado, A. F., Estevam, F. E. B., Izidoro, L. C. d. R., Oliveira, H. M. d., Anjos, F. M. d. S. d., Carvalho, S. T. d., and Mata, L. R. F. d. (2022). Male urinary incontinence and the digital technology: Evaluation of mobile applications available for download. Cogitare Enfermagem, 27.

Martins, B., Ferreira, D., Neto, C., Abelha, A., and Machado, J. (2021). Data mining for cardiovascular disease prediction. Journal of Medical Systems, 45:1–8.

Oliveira, D., Ferreira, D., Abreu, N., Leuschner, P., Abelha, A., and Machado, J. (2022). Prediction of covid-19 diagnosis based on openehr artefacts. Scientific Reports, 12(1):12549.

Organization, W. H. et al. (2015). A practical guide for engaging with mobile operators in mhealth.

Peixoto, H., Ramos, V., Marques, C., and Machado, J. (2022). Predicting diabetes disease for healthy smart cities. EAI Endorsed Transactions on Smart Cities, 6(18):e1–e1.

Plotnikova, V., Dumas, M., and Milani, F. P. (2022). Applying the crisp-dm data mining process in the financial services industry: Elicitation of adaptation requirements. Data & knowledge engineering, 139:102013.

Ramos, J. L. C., Rodrigues, R. L., Silva, J. C. S., and de Oliveira, P. L. S. (2020). Crispedm: uma proposta de adaptação do modelo crisp-dm para mineração de dados educacionais. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1092–1101. SBC.

Riegel, B., Dunbar, S. B., Fitzsimons, D., Freedland, K. E., Lee, C. S., Middleton, S., Stromberg, A., Vellone, E., Webber, D. E., and Jaarsma, T. (2021). Self-care research: where are we now? where are we going? International journal of nursing studies, 116:103402.

Schröer, C., Kruse, F., and Gómez, J. M. (2021). A systematic literature review on applying crisp-dm process model. Procedia Computer Science, 181:526–534.

Wirth, R. and Hipp, J. (2000). Crisp-dm: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining, volume 1, pages 29–39. Manchester.

Woldaregay, A. Z., Issom, D.-Z., Henriksen, A., Marttila, H., Mikalsen, M., Pfuhl, G., Sato, K., Lovis, C., and Hartvigsen, G. (2018). Motivational factors for user engagement with mhealth apps. pHealth, 249:151–157.