Navegar por:

Data Science e Machine Learning aplicado na mortalidade infantil na Região Metropolitana do Vale do Paraíba e Litoral Norte

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/11449/310473
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMarins, Fernando Augusto Silva-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorNascimento, Luiz Fernando Costa-
Autor(es): dc.contributorSilva, Aneirson Francisco-
Autor(es): dc.creatorRodríguez, Elen Yanina Aguirre-
Data de aceite: dc.date.accessioned2025-08-21T16:24:20Z-
Data de disponibilização: dc.date.available2025-08-21T16:24:20Z-
Data de envio: dc.date.issued2025-05-16-
Data de envio: dc.date.issued2025-02-05-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/310473-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/310473-
Descrição: dc.descriptionA mortalidade infantil reflete a saúde pública e a qualidade da assistência oferecida à mãe e ao recém-nascido. Com o objetivo de reduzir essa mortalidade e outros problemas de saúde, tem-se observado um crescente interesse em utilizar ferramentas como Ciência de Dados, Aprendizado de Máquina (ML), Sistemas de Informação Geográfica (SIG) e análise espacial, cuja integração pode aprimorar os processos e apoiar decisões. Este estudo teve como objetivo explorar a aplicabilidade dessas ferramentas para abordar a mortalidade infantil durante o primeiro ano de vida na Região Metropolitana do Vale do Paraíba e Litoral Norte (RMVPLN), no Estado de São Paulo. A metodologia adotada incluiu a utilização de dados do Departamento de Informática do Sistema Único de Saúde (DATASUS) e a aplicação de análise exploratória de dados, análise espacial e desenvolvimento de modelos de previsão e predição, com propostas de soluções para a tomada de decisões em diferentes níveis: estratégico, tático e operacional. No nível tático, utilizou-se os dados de 2010 a 2020, considerando as taxas de mortalidade infantil (TMI), neonatal (TMN) e pós-neonatal, além de determinantes associados. Foi utilizado o índice univariado e bivariado de Moran para medir o grau de associação espacial na RMVPLN. No nível estratégico, foram aplicadas técnicas de regressão de ML para modelos de previsão, treinados com dados de 2010 a 2020, da ocorrência mensal de óbitos neonatais, pós-neonatais e infantis, sendo validados com dados de 2021. No nível operacional, treinaram-se modelos binários e multiclasse, utilizando técnicas de classificação, com dados rotulados de 2010 a 2019, validados com dados de 2020. Em ambos os casos, o desempenho dos modelos foi avaliado por meio de métricas de erro e testes estatísticos específicos para cada abordagem, garantindo a confiabilidade, robustez e aplicabilidade prática dos resultados obtidos. Os resultados mostraram que a redução da TMI foi principalmente atribuída à diminuição dos óbitos pós-neonatais. A análise espacial revelou agrupamentos de alto risco na região Norte Central para a TMI e TMN. Os modelos de ML para previsão de óbitos apresentaram boa precisão, sendo os melhores modelos: RF (lag = 2, RMSE = 6,03) para a mortalidade infantil, GB (lag = 2, RMSE = 4,16) para a neonatal e SVM (lag = 3, RMSE = 3,162) para a pós-neonatal. Para a identificação de risco de óbito, os modelos treinados tiveram acurácia e AUC superior a 90% e 91%, respetivamente, para os modelos binários, e acima de 81% e 82% para os modelos multiclasse. Os melhores modelos foram os treinados com SVM (acurácia = 92,88%, AUC = 0,934) para o modelo binário, e com XGB (acurácia = 88,38%, AUC = 0,876) para o modelo multiclasse. Conclui-se que a utilização de SIG, análise espacial e ML pode melhorar significativamente o cuidado do nascido vivo, alinhando-se aos Objetivos de Desenvolvimento Sustentável. Além disso, as sistemáticas propostas oferecem benefícios substanciais para a tomada de decisões, permitindo otimizar o uso de recursos e intervenções, além de contribuir para a melhoria da qualidade do cuidado ao recém-nascido e garantir sua sobrevivência.-
Descrição: dc.descriptionInfant mortality reflects public health and the quality of care provided to mothers and newborns. To reduce this mortality and other health issues, there has been a growing interest in utilizing tools such as Data Science, Machine Learning (ML), Geographic Information Systems (GIS), and spatial analysis, as their integration can enhance processes and support decision-making. This study aimed to explore the applicability of these tools to address infant mortality during the first year of life in the Metropolitan Region of Vale do Paraíba and Northern Coast (RMVPLN), in the State of São Paulo. The methodology adopted included the use of data from the Department of Informatics of the Unified Health System (DATASUS) and the application of exploratory data analysis, spatial analysis, and the development of prediction and forecasting models, with proposed solutions for decision-making at different levels: strategic, tactical, and operational. At the tactical level, data from 2010 to 2020 were used, considering the infant mortality rate (IMR), neonatal mortality rate (NMR), and post-neonatal mortality rate (PNMR), as well as associated determinants. The univariate and bivariate Moran index were used to measure the degree of spatial association in RMVPLN. At the strategic level, ML regression techniques were applied to forecasting models, trained with data from 2010 to 2020 on the monthly occurrence of neonatal, post-neonatal, and infant deaths, and validated with 2021 data. At the operational level, binary and multiclass models were trained using classification techniques, with labeled data from 2010 to 2019, validated with 2020 data. In both cases, the performance of the models was evaluated using error metrics and specific statistical tests for each approach, ensuring the reliability, robustness, and practical applicability of the obtained results. The results showed that the reduction in IMR was mainly attributed to the decrease in post-neonatal deaths. Spatial analysis revealed high-risk clusters in the Northern Central region for both IMR and NMR. The ML models for death prediction demonstrated good accuracy, with the best models being: RF (lag = 2, RMSE = 6.03) for infant mortality, GB (lag = 2, RMSE = 4.16) for neonatal mortality, and SVM (lag = 3, RMSE = 3.162) for post-neonatal mortality. For the identification of death risk, the trained models achieved accuracy and AUC greater than 90% and 91%, respectively, for binary models, and above 81% and 82% for multiclass models. The best models were those trained with SVM (accuracy = 92.88%, AUC = 0.934) for the binary model, and XGB (accuracy = 88.38%, AUC = 0.876) for the multiclass model. It is concluded that the use of GIS, spatial analysis, and ML can significantly improve live birth care, aligning with the Sustainable Development Goals. Furthermore, the proposed methodologies offer substantial benefits for decision-making, allowing for the optimization of resource use and interventions, as well as contributing to the improvement of newborn care quality and ensuring their survival.-
Descrição: dc.descriptionLa mortalidad infantil refleja la salud pública y la calidad de la atención brindada a la madre y al recién nacido. Con el objetivo de reducir esta mortalidad y otros problemas de salud, se ha observado un creciente interés en utilizar herramientas como Ciencia de Datos, Aprendizaje Automático (ML), Sistemas de Información Geográfica (SIG) y análisis espacial, cuya integración puede mejorar los procesos y apoyar la toma de decisiones. Este estudio tuvo como objetivo explorar la aplicabilidad de estas herramientas para abordar la mortalidad infantil durante el primer año de vida en la Región Metropolitana del Vale do Paraíba y Litoral Norte (RMVPLN), en el Estado de São Paulo. La metodología adoptada incluyó la utilización de datos del Departamento de Informática del Sistema Único de Salud (DATASUS) y la aplicación de análisis exploratorio de datos, análisis espacial y desarrollo de modelos de predicción y pronóstico, con propuestas de soluciones para la toma de decisiones en diferentes niveles: estratégico, táctico y operativo. A nivel táctico, se utilizaron datos de 2010 a 2020, considerando las tasas de mortalidad infantil (TMI), neonatal (TMN) y post-neonatal, además de determinantes asociados. Se empleó el índice univariado y bivariado de Moran para medir el grado de asociación espacial en la RMVPLN. A nivel estratégico, se aplicaron técnicas de regresión de ML para modelos de pronóstico, entrenados con datos de 2010 a 2020, de la ocurrencia mensual de muertes neonatales, post-neonatales e infantiles, siendo validados con datos de 2021. A nivel operativo, se entrenaron modelos binarios y multiclase utilizando técnicas de clasificación, con datos etiquetados de 2010 a 2019, validados con datos de 2020. En ambos casos, el rendimiento de los modelos fue evaluado mediante métricas de error y pruebas estadísticas específicas para cada enfoque, garantizando la confiabilidad, robustez y aplicabilidad práctica de los resultados obtenidos. Los resultados mostraron que la reducción de la TMI fue principalmente atribuida a la disminución de las muertes post-neonatales. El análisis espacial reveló agrupamientos de alto riesgo en la región Norte-Central para la TMI y la TMN. Los modelos de ML para pronóstico de muertes mostraron buena precisión, siendo los mejores modelos: RF (lag = 2, RMSE = 6,03) para la mortalidad infantil, GB (lag = 2, RMSE = 4,16) para la neonatal y SVM (lag = 3, RMSE = 3,162) para la post-neonatal. Para la identificación de riesgo de muerte, los modelos entrenados tuvieron una precisión y AUC superiores al 90% y 91%, respectivamente, para los modelos binarios, y por encima del 81% y 82% para los modelos multiclase. Los mejores modelos fueron los entrenados con SVM (precisión = 92,88%, AUC = 0,934) para el modelo binario, y con XGB (precisión = 88,38%, AUC = 0,876) para el modelo multiclase. Se concluye que la utilización de SIG, análisis espacial y ML puede mejorar significativamente la atención al recién nacido vivo, alineándose con los Objetivos de Desarrollo Sostenible. Además, las metodologías propuestas ofrecen beneficios sustanciales para la toma de decisiones, permitiendo optimizar el uso de recursos e intervenciones, además de contribuir a la mejora de la calidad de la atención al recién nacido y garantizar su supervivencia.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionCAPES: 001-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Relação: dc.relationhttp://lattes.cnpq.br/5084452020999999-
Relação: dc.relationhttps://orcid.org/0000-0002-3829-4118-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectCiência de dados-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectAnálise espacial (Estatística)-
Palavras-chave: dc.subjectMortalidade infantil-
Palavras-chave: dc.subjectMortalidade neonatal-
Palavras-chave: dc.subjectMortalidade Pós-neonatal-
Palavras-chave: dc.subjectArmazenamento de dados-
Palavras-chave: dc.subjectData science-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectSpatial analysis-
Palavras-chave: dc.subjectInfant mortality-
Palavras-chave: dc.subjectNeonatal mortality-
Palavras-chave: dc.subjectPost-neonatal mortality-
Palavras-chave: dc.subjectCiencia de datos-
Palavras-chave: dc.subjectAprendizaje automático-
Palavras-chave: dc.subjectAnálisis espacial-
Palavras-chave: dc.subjectMortalidad infantil-
Palavras-chave: dc.subjectMortalidad neonatal-
Palavras-chave: dc.subjectMortalidad post-neonatal-
Título: dc.titleData Science e Machine Learning aplicado na mortalidade infantil na Região Metropolitana do Vale do Paraíba e Litoral Norte-
Título: dc.titleData Science and Machine Learning applied to infant mortality in the Metropolitan Region of Vale do Paraíba and Litoral Norte-
Título: dc.titleCiencia de Datos y Aprendizaje Automático aplicados a la mortalidad infantil en la Región Metropolitana del Vale do Paraíba y Litoral Norte-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação