INTRODUÇÃO: Os sintomas de trato urinário inferior (STUI), são muito frequentes entre os homens acima dos 50 anos e entender melhor sua prevalência e incidência na população brasileira, por meio de estudos clínicos, é imprescindível para a elaboração de estratégias de saúde pública e de prevenção para essa população. – OBJETIVOS: No contexto do projeto do professor orientador “Análise do padrão miccional de homens por meio da captação sonora do fluxo urinário e comparação com os resultados da fluxometria tradicional – parte 2”, e também do plano de trabalho do estudante de graduação “Uma Análise de Diferentes Técnicas de Classificação Para o Problema de Urofluxometria Sonora” este plano do estudante PIBICJR é levantar técnicas de classificação para a identificação de anormalidades em condições de saúde por meio de áudio. – MATERIAIS E MÉTODO: Para o atingimento do objetivo proposto estão previstas as seguintes atividades: Participar de um workshop sobre estratégias de busca a textos científicos; Participar da definição dos descritores que orientarão a busca dos textos científicos; Pesquisar sobre técnicas de inteligência artificial para classificação de áudio; Participar da definição de quais técnicas de inteligência artificial pesquisadas podem ser adotadas na proposição do modelo proposto, a partir das características identificadas nos áudios, processamento e custo computacional; Participar da experimentação das técnicas de inteligência artificial para classificação de áudio sobre dataset publicamente disponível; Participar da formulação do processo de identificação de alterações de padrão no fluxo urinário. – RESULTADOS: Foram selecionados sete textos para a leitura e identificção dos modelos propostos, parametrização, bem como os resultados e respectivos potenciais e limitações. Em relação ao acompanhamento dos experimentos vale destacar que: Foram adotados os algoritmos Naive Bayes (NB), K-nearest neighbors (Knn), Árvore de decisão, Random Forest, Support Vector Machine (SVM), Regressão Logística e Redes neurais. Os resultados a partir dos testes retornaram 83% de taxa de acerto para KNN (utilizando como configuração de vizinhos = 3), SVM e Regressão Logística; e A base de dados tem um número pequeno de áudios, o que não permite um resultado conclusivo na predição. – CONSIDERAÇÕES FINAIS: Embora pareça simples, é necessário todo um estudo e preparação dessas amostras excluindo os ruídos e sons externos não destinados ao teste, assim, fazendo com que o computador consiga aprender e decifrar os problemas com tal facilidade. Também não é trivial a tarefa de coleta de dados, pois não apenas a pandemia potencializou o desafio, mas também todos os fatores envolvendo cenário, aceitação do paciente, etc.
