Universidade Federal de Minas Gerais - UFMG

contrast-40
lupa-40
Tese e Dissertação

Comparação da performance de algoritmos de aprendizado de máquina para análise preditiva de febre amarela no estado de Minas Gerais

Autor

  • Resumo do trabalho
    • Resumo do trabalho
      • A febre amarela é uma arbovirose de caráter zoonótico, de extrema importância para a saúde pública no Brasil. A ocorrência de casos e febre amarela tem incidido entre os meses de dezembro e maio, período sazonal da doença, ocorrendo em regiões de mata, quando o vírus encontra condições favoráveis para a transmissão. O desenvolvimento de modelos preditivos desempenha um papel importante na interpretação de elementos complexos do mundo real. Com o aumento acentuado na quantidade, variedade e velocidade de produção de dados, novos desafios como extrair recursos e reconhecer padrões latentes, surgiram, exigindo novas abordagens e soluções eficazes. Otimizar modelos de aprendizado de máquina que possam prever com boa performance a ocorrência de febre amarela na população humana em Minas Gerais Minas Gerais (original name) Minas Gerais /Brasil pode apoiar decisões e ações em saúde pública de forma a reduzir a morbidade e a mortalidade da doença. Objetivou-se utilizar técnicas supervisionadas de aprendizado de máquina e comparar as performances em problema de regressão para predizer resposta de interesse para a saúde pública, no caso, a ocorrência de febre amarela humana em Minas Gerais Minas Gerais (original name) Minas Gerais . O projeto está inserido na linha de pesquisa: avaliação e implementação de políticas e estratégias em saúde pública e ambiental. As variáveis meteorológicas utilizadas no presente trabalho foram extraídas do banco de dados do Instituto Nacional de Meteorologia (INMET), dados de casos confirmados de febre amarela de epizootias em primatas não humanos e seres humanos oriundos do Sistema de Informação de Agravos de Notificação (SINAN) e cobertura vacinal de febre amarela oriundos do Sistema de Informação do Programa Nacional de imunizações (SI-PNI) foram obtidos junto à Secretaria de Estado de Saúde de Minas Gerais Minas Gerais (original name) Minas Gerais . Os resultados e discussão estão organizados em três artigos científicos. O primeiro trata-se de uma revisão integrativa da literatura científica, realizada para nortear a seleção inicial das variáveis utilizadas na pesquisa e envolveu temas relacionados à eco-epidemiologia da febre amarela na região Sudeste do Brasil. O segundo artigo trata-se de um estudo epidemiológico, retrospectivo e descritivo dos bancos de dados do Sistema de Informação de Agravos de Notificação (SINAN) contendo informações sobre casos de febre amarela humana e epizootias em primatas não humanos entre 2007 e 2020 registrados em Minas Gerais Minas Gerais (original name) Minas Gerais . O terceiro artigo objetivou predizer casos de febre amarela humana em Minas Gerais Minas Gerais (original name) Minas Gerais e comparar a performance dos modelos. Quatro modelos de aprendizado de máquina foram utilizados: Random forest, Xgboost, SVM e rede neural MLP. Os resultados mostraram que random forest obteve o melhor desempenho comparativo apresentando MSE= 0,22; MAE= 0,07; RMSE= 0,47; e R2= 77,68% com pouca diferença de performance para a rede MLP e Xgboost.Os modelos de previsão da febre amarela utilizando algoritmos de aprendizado de máquina com aprendizado supervisionado apresentaram ser boas ferramentas para previsão de série temporal multivariada. Técnicas de modelagem algorítmicas estão sendo constantemente aprimoradas e quase não há justificavas para se utilizar um ou outro algoritmo, sendo indicado a comparação entre performances em problemas de previsão.

        Palavras-chave: febre amarela, epizootias em primatas não humanos, aprendizado de máquina.

Defesa

Banca

Prof. Dr. Marcos Xavier Silva (Orientador)
Prof. Dr. Nelson Rodrigo da Silva Martins
Dr. Tiago Mendonça de Oliveira
Prof. Dr. David Soeiro Barbosa
Prof. Dr. Luiz Carlos Bambirra Torres

Co-Orientadora: Soraia de Araújo Diniz

 

Orientador

Junho de 2024
D S T Q Q S S
01
02030405060708
09101112131415
16171819202122
23242526272829
30

Acompanhe a Escola