Introdução: Os acidentes com animais peçonhentos representam um grave problema de saúde pública no Brasil, principalmente em regiões rurais e locais com difícil acesso ao atendimento médico. Muitas vítimas encontram dificuldades para identificar rapidamente o animal responsável pela picada, o que pode atrasar o tratamento adequado e aumentar o risco de complicações. Objetivos: Desenvolver um sistema de inteligência artificial capaz de identificar picadas de animais peçonhentos por meio da análise de imagens e sintomas, auxiliando na avaliação do risco, na orientação inicial e na redução de casos graves. Materiais e Método: Foi realizada uma pesquisa aplicada de desenvolvimento tecnológico, acompanhada de testes do protótipo. O trabalho começou com um levantamento sobre animais peçonhentos, características dos acidentes, sintomas e técnicas de reconhecimento de imagens. Depois, foram coletadas e organizadas imagens e informações para a construção do banco de dados. A plataforma foi desenvolvida para uso no navegador, com interface em HTML, CSS e JavaScript e servidor em Python com Flask. Um modelo criado com TensorFlow/Keras analisou as imagens, enquanto arquivos JSON armazenaram informações sobre sintomas e espécies. O sistema combinou essas evidências com o tempo desde o acidente e a localização fornecida pelo usuário para ordenar as espécies candidatas. Foram realizados 90 testes técnicos na primeira etapa e outros 90 após a inclusão de perguntas complementares. Os acertos e erros foram contabilizados em cada etapa. Resultados: Na primeira etapa, o BDS acertou 60 dos 90 cenários testados, alcançando 66,7% de acerto. Após a inclusão de perguntas complementares sobre a aparência da região afetada e os sintomas, acertou 64 dos 90 cenários da segunda etapa, atingindo 71,1% de acerto. Isso representa quatro acertos adicionais e um aumento de aproximadamente 4,4 pontos percentuais entre as etapas. Os testes também revelaram dificuldades para distinguir casos visualmente semelhantes. A qualidade e a diversidade das imagens, a falta de informações completas fornecidas pelos usuários e o tamanho do banco de dados foram identificados como limitações. A partir desses resultados, a equipe definiu como metas ampliar e diversificar o banco de imagens, aprimorar a coleta de informações e realizar novos testes. Considerações Finais: Considera-se que o objetivo de desenvolver um protótipo funcional de apoio à identificação inicial de picadas foi alcançado. O BDS demonstrou potencial para utilizar Inteligência Artificial como ferramenta de apoio à análise inicial de acidentes com animais peçonhentos, contribuindo para organizar informações e orientar o usuário sobre a busca por atendimento. Ressalta-se que o sistema não realiza diagnóstico médico e não substitui profissionais da saúde. Como continuidade, pretende-se ampliar o banco de dados, realizar novos treinamentos e testes, incorporar novas tecnologias de Inteligência Artificial e realizar validações com maior quantidade e diversidade de cenários.
Palavras-chave: Machine learning; Visão computacional; Sistema inteligente; Saúde preventiva.
Votação encerrada.