Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Santos, Bruno Samways dos | - |
Autor(es): dc.contributor | Santos, Bruno Samways dos | - |
Autor(es): dc.contributor | Lima, Rafael Henrique Palma | - |
Autor(es): dc.contributor | Tondatto, Rogério | - |
Autor(es): dc.creator | Pacheco, Guilherme Henrique Leal | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:02:37Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:02:37Z | - |
Data de envio: dc.date.issued | 2024-09-18 | - |
Data de envio: dc.date.issued | 2024-09-18 | - |
Data de envio: dc.date.issued | 2024-08-21 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/34845 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1106320 | - |
Descrição: dc.description | The COVID-19 pandemic, caused by the SARS-CoV-2 virus, led to an unprecedented global crisis, affecting millions of people and putting immense pressure on healthcare systems worldwide. In Brazil, the impact was particularly severe, with high rates of infection and mortality. In this context, the implementation of effective strategies to predict the progression of COVID-19 cases became crucial. This study aims to analyze the efficacy of different machine learning models in forecasting the progression of COVID-19 cases in Brazil, with a focus on mortality rates following the onset of the vaccination campaign. The analysis utilized epidemiological data from official sources, considering patients' pre-existing conditions and vaccination status, while excluding symptomatic and clinical progression variables. Data mining and machine learning techniques were applied to classify the variables, using Decision Trees, Random Forests, XGBoost, Multi-Layer Perceptron, and KNN models. Model performance was evaluated through accuracy, precision, recall, and F1-Score metrics. Among the results, the Random Forest model performed the best, achieving an average F1-Score of 63% in classifying both classes. The importance of the variables was assessed using the SHAP library, identifying age and vaccination as the most significant factors for model classification. The study demonstrated that machine learning can provide valuable insights for combating infectious diseases and highlighted the potential need for including symptomatic and clinical variables to improve the performance in classifying the target variable. | - |
Descrição: dc.description | A pandemia de COVID-19, causada pelo Coronavírus SARS-CoV-2, provocou uma crise global sem precedentes, afetando milhões de pessoas e pressionando os sistemas de saúde em todo o mundo. No Brasil, o impacto foi severo, com altas taxas de contágio e mortalidade. Diante desse cenário, a implementação de estratégias eficazes para prever a evolução dos casos de COVID-19 tornou-se relevante. Este trabalho tem como objetivo analisar a eficácia de diferentes modelos de machine learning na previsão da evolução dos casos de COVID-19 no Brasil, com ênfase na evolução para óbito após o início da campanha de vacinação, utilizando dados epidemiológicos provenientes de fontes oficiais, referentes às condições pré existentes dos pacientes e vacinação, sem considerar variáveis sintomáticas e de evolução do quadro clínico. Foram aplicadas técnicas de mineração de dados e aprendizado de máquina para a classificação das variáveis, utilizando os modelos de Árvore de Decisão, Florestas Aleatórias, XGBoost, Multi Layer Perceptron e KNN. A performance dos modelos foi avaliada por meio de métricas de acurácia, precisão, recall e F1-Score. Dos resultados obtidos, o melhor modelo foi o Florestas Aleatórias atingindo o F1-Score médio de 63% na classificação de ambas as classes. A importância das variáveis foi analisada pela biblioteca SHAP, apontando idade e vacinação como fatores mais relevantes para a classificação dos modelos. O estudo evidenciou que machine learning pode ajudar a fornecer informações relevantes para o combate de doenças infecciosas e a possível necessidade de utilização de variáveis sintomáticas e clínicas para a melhoria de performance em classificar a variável alvo. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Londrina | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Engenharia de Produção | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | Attribution-NonCommercial-ShareAlike 4.0 International | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-sa/4.0/ | - |
Palavras-chave: dc.subject | COVID-19 (Doença) | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Classificação | - |
Palavras-chave: dc.subject | Vacinação | - |
Palavras-chave: dc.subject | Morte | - |
Palavras-chave: dc.subject | COVID-19 (Disease) | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Classification | - |
Palavras-chave: dc.subject | Vaccination | - |
Palavras-chave: dc.subject | Death | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | - |
Título: dc.title | Aplicação de machinne learning para predição da evolução dos casos de COVID-19 no Brasil após a vacinação | - |
Título: dc.title | Application of machine learning for predicting the evolution of COVID-19 cases in Brazil after vaccination | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: