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 | Moraes, José Rodrigo de | - |
Autor(es): dc.contributor | Moraes, José Rodrigo de | - |
Autor(es): dc.contributor | Alcoforado, Luciane Ferreira | - |
Autor(es): dc.contributor | Ross, Steven Dutt | - |
Autor(es): dc.contributor | Longo, Orlando Celso | - |
Autor(es): dc.contributor | Alcoforado, Luciane Ferreira | - |
Autor(es): dc.contributor | Moraes, José Rodrigo de | - |
Autor(es): dc.contributor | Alcoforado, Luciane Ferreira | - |
Autor(es): dc.creator | Oliveira, Lyncoln Sousa de | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:54:29Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:54:29Z | - |
Data de envio: dc.date.issued | 2022-06-22 | - |
Data de envio: dc.date.issued | 2022-06-22 | - |
Data de envio: dc.date.issued | 2020 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/25304 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/759866 | - |
Descrição: dc.description | No presente trabalho, foram utilizados técnicas de aprendizado de máquinas supervisionado em conjunto com as técnicas de reamostragem k-fold e bootstrap utilizando os modelos logit, probit e complemento log-log, com o objetivo de realizar uma análise comparativa do poder discriminatório destes três modelos utilizados para avaliar a associação entre características da mãe e do recém-nascido e o desfecho de anomalia congênita. Os dados utilizados são provenientes do Sistema de Informações sobre Nascidos Vivos (SINASC) dos anos de 2017 e 2018. A variável resposta anomalia congênita observada pode ser considerada um evento raro pois somente 0,9% dos recém nascidos apresentaram essa característica na base de dados. Foram utilizados 70% dos dados gerais (amostra treino) para aplicação das técnicas k-fold com k = 10 e bootstrap com 50 amostras. Os resultados para as duas técnicas de reamostragem foram parecidos para os três modelos, obtendo valores médios de AUC semelhantes, porém as médias de acurácia (A) e especificidade (E) foram ligeiramente maiores para o modelo probit usando ambas as técnicas de reamostragem (kfold: A = 0; 739 e E = 0; 742; bootstrap A = 0; 738 e E = 0; 740). O modelo selecionado pelo k-fold removeu 2 variáveis explicativas (“raça/cor”do recém nascido e “local de nascimento”) a partir do teste de Wald de significância geral, enquanto a técnica de reamostragem bootstrap removeu 1 variável a mais (“número de consultas de pre-natal”) adotando um nível de significância de = 5%, assim resultando na seleção de dois ajustes de modelo probit distintos. Aplicando os modelos nos 30% dos dados restantes da base de dados geral (amostra teste), notou-se que as métricas que avaliam a capacidade discriminatória dos modelos foram bastante parecidas. Como a aplicação da técnica bootstrap com 50 amostras demandou significantemente mais tempo para execução, a técnica de reamostragem que se mostrou mais eficiente foi a de k-fold com k = 10. | - |
Descrição: dc.description | 95 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Niterói | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Modelo logit | - |
Palavras-chave: dc.subject | Modelo probit | - |
Palavras-chave: dc.subject | Modelo complemento log-log | - |
Palavras-chave: dc.subject | Anomalia congênita | - |
Palavras-chave: dc.subject | Estatística | - |
Palavras-chave: dc.subject | Anomalia congênita | - |
Palavras-chave: dc.subject | Estatística de saúde | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Título: dc.title | Estudo sobre anomalia congênita no Brasil utilizando dados do SINASC 2017 e 2018 comparando os modelos logit, probit e complemento log-log com apoio de aprendizado de máquina | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: