Vigilância epidemiológica: uso de aprendizado de máquina na predição de surtos de Síndrome Respiratória Aguda Grave

Página do item simplificado
dc.contributor.advisorVeiga, Ana Beatriz Gorini da
dc.contributor.advisor-coGomes, Marcelo Ferreira da Costa
dc.contributor.authorSilva, Amauri Duarte da
dc.date.accessioned2022-05-03T19:33:25Z
dc.date.available2022-05-03T19:33:25Z
dc.date.date-insert2022-05-03
dc.date.issued2022
dc.descriptionDissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.pt_BR
dc.description.abstractIntrodução: Surtos de Síndrome Respiratória Aguda Grave (SRAG) ocorrem anualmente em diversas regiões geográficas, com o período dos picos de notificação de casos de internação variando de região para região. Os gestores da saúde necessitam de ferramentas para planejamento de recursos adequados a cada temporada de SRAG. Objetivo: Com o uso de Aprendizado de Máquina (AM), gerar modelos para a predição de surtos de SRAG para um próximo período (ano). Método: Foram utilizados dados de notificação de casos de internação por SRAG no Brasil, do período de 2013 a 2021, excluindo casos de SRAG ocasionados por Covid-19. Esses dados foram preparados de forma a alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline que permitiu, de forma rápida, a simulação de inúmeros modelos. Foram gerados modelos para as cinco regiões brasileiras, porém são destacados os modelos preditivos para as regiões Sul e Sudeste. A validação dos modelos gerados foi feita para diferentes anos de ocorrência de surtos de SRAG. Na validação de temporadas com menor número de períodos (anos), os modelos preditivos tiveram menor desempenho devido à menor quantidade de dados disponíveis para treinamento. Resultados: Com o uso de redes neurais foi possível gerar modelos preditivos que possibilitam predizer curvas com picos de SRAG, volume de casos por temporada e início do período pré epidêmico com boa qualidade (R² = 0,91, considerando a temporada observada de 2019). Conclusão: Mesmo com uma quantidade deficiente de dados é possível, com o uso de AM, gerar modelos preditivos para SRAG, contribuindo para medidas de controle de surtos e epidemias.pt_BR
dc.description.abstract-enIntroduction: Outbreaks of Severe Acute Respiratory Infection (SARI) occur annually in several geographic regions, with the period of peak notification of hospitalizations varying between regions. Health managers need adequate resource planning tools for each SARI season. Objective: Using Machine Learning (ML), generate models for the prediction of SARI outbreaks for a next period (year). Method: Data from notification of SARI hospitalization cases in Brazil, from 2013 to 2021, were used, excluding SARI cases caused by Covid-19. These data were prepared in order to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool that quickly allowed the simulation of numerous models. Models were generated for the five Brazilian regions, and the predictive models for the South and Southeast regions are highlighted. The validation of the generated models was performed for different years of SARI outbreaks. In the validation of seasons with fewer periods (years), the predictive models had lower performance due to the smaller amount of data available for training. Results: Using neural networks, it was possible to generate predictive models that enabled the prediction of curves with SARI peaks, volume of cases per season and the beginning of pre-epidemic periods with good quality (R² = 0.91, considering the observed season of 2019). Conclusion: Even with a deficient quantity of data, it is possible, with the use of ML, to generate predictive models for SARI, contributing for the management of outbreaks and epidemics.pt_BR
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/1814
dc.language.isopt_BRpt_BR
dc.publisherWagner Wessfllpt_BR
dc.relation.requiresTEXTO - Adobe Readerpt_BR
dc.rightsAcesso Aberto Imediatopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.subjectSíndrome Respiratória Aguda Gravept_BR
dc.subjectInteligência Artificialpt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectModelos Preditivospt_BR
dc.subjectRedes Neurais de Computaçãopt_BR
dc.subjectVigilância Epidemiológicapt_BR
dc.subject[en] Severe Acute Respiratory Syndromeen
dc.subject[en] Artificial Intelligenceen
dc.subject[en] Machine Learningen
dc.subject[en] Neural Networks, Computeren
dc.subject[en] Epidemiological Monitoringen
dc.titleVigilância epidemiológica: uso de aprendizado de máquina na predição de surtos de Síndrome Respiratória Aguda Gravept_BR
dc.typeDissertaçãopt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[DISSERTAÇÃO] Silva, Amauri Duarte da (C).pdf
Tamanho:
4.58 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo
Baixar
Coleções
PPGTIGSAU - Dissertações