Uso de machine learning para previsão da evolução de casos de SRAG incluindo casos de COVID-19 considerando variáveis clínicas e demográficas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, Bruno Samways dos-
Autor(es): dc.contributorSantos, Bruno Samways dos-
Autor(es): dc.contributorTondato, Rogério-
Autor(es): dc.contributorLima, Rafael Henrique Palma-
Autor(es): dc.creatorSilva, Amauri Ornellas da-
Data de aceite: dc.date.accessioned2022-02-21T21:44:33Z-
Data de disponibilização: dc.date.available2022-02-21T21:44:33Z-
Data de envio: dc.date.issued2021-10-21-
Data de envio: dc.date.issued2021-10-21-
Data de envio: dc.date.issued2021-08-20-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/26211-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/659521-
Descrição: dc.descriptionThis 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.descriptionEste 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.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherLondrina-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia de Produção-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectCOVID-19 (Doença)-
Palavras-chave: dc.subjectClassificação-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectCOVID-19 (Disease)-
Palavras-chave: dc.subjectClassification-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO-
Título: dc.titleUso de machine learning para previsão da evolução de casos de SRAG incluindo casos de COVID-19 considerando variáveis clínicas e demográficas-
Título: dc.titleUsing machine learning to predict the evolution of SARS cases including COVID-19 cases considering clinical and demographic variables-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.