Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Santos, Bruno Samways dos | - |
Autor(es): dc.contributor | Santos, Bruno Samways dos | - |
Autor(es): dc.contributor | Tondato, Rogério | - |
Autor(es): dc.contributor | Lima, Rafael Henrique Palma | - |
Autor(es): dc.creator | Silva, Amauri Ornellas da | - |
Data de aceite: dc.date.accessioned | 2022-02-21T21:44:33Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T21:44:33Z | - |
Data de envio: dc.date.issued | 2021-10-21 | - |
Data de envio: dc.date.issued | 2021-10-21 | - |
Data de envio: dc.date.issued | 2021-08-20 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/26211 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/659521 | - |
Descrição: dc.description | This work presents an exploratory analysis of the public database about Severe Acute Respiratory Syndrome (SARS) and the use of supervised learning methods to predict the evolution of patients' cases to death or cure. Two databases were created to compare the results and select relevant variables by the classification models, one containing the clinical variables and the other containing clinical and demographic variables. The classifiers used were k-nearest neighbors (KNN), Decision Trees, Logistic Regression, Random Forests, Neural Networks and XGBoost. XGBoost had the best area under the curve (AUC) result: 0.86 and the main attributes for classification were the use of invasive ventilation support, age over 70 years and admission to the ICU, the main demographic attributes were living in the northeast and north regions. The database with demographic variables presented results slightly superior to the results obtained with the clinical variables alone and allowed us to understand which sociodemographic characteristics are more relevant in the outcome of SARS cases. | - |
Descrição: dc.description | Este trabalho faz uma análise exploratória da base de dados se Síndrome Respiratória Aguda Grave (SRAG) disponibilizada pelo Sistema Único de Saúde (SUS) e utilização métodos de aprendizagem supervisionada para a previsão da evolução dos casos dos pacientes para óbito ou cura. Duas bases foram criadas para comparação dos resultados e seleção de variáveis relevantes pelos modelos de classificação, uma contendo as variáveis clínicas e outra contendo variáveis clínicas e demográficas. Os classificadores utilizados foram o k-vizinhos mais próximos (k-nearest neighbors - KNN), Árvores de Decisão, Regressão Logística, Florestas Aleatórias, Redes Neurais e o XGBoost. O XGBoost obteve o melhor resultado de área sob a curva (area under de curve – AUC): 0,86 e os principais atributos para classificação foram o uso de suporte ventilatório invasivo, idade acima de 70 anos e internação na UTI, os principais atributos demográficos foram morar na região nordeste e norte. A base com variáveis demográficas apresentou resultados levemente superiores aos resultados obtidos somente com as variáveis clínicas e permitiu compreender quais características sociodemográficas são mais relevantes no desfecho de casos de SRAG. | - |
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 | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | COVID-19 (Doença) | - |
Palavras-chave: dc.subject | Classificação | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | COVID-19 (Disease) | - |
Palavras-chave: dc.subject | Classification | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | - |
Título: dc.title | Uso de machine learning para previsão da evolução de casos de SRAG incluindo casos de COVID-19 considerando variáveis clínicas e demográficas | - |
Título: dc.title | Using machine learning to predict the evolution of SARS cases including COVID-19 cases considering clinical and demographic variables | - |
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: