Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Solha, Erik Zarko Macêdo |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/589380
|
Resumo: |
A pandemia de COVID-19 causou interrupções significativas na vida cotidiana e teve consequências sociais, políticas e financeiras que persistirão por anos. Diversas iniciativas com uso intensivo de tecnologia foram rapidamente desenvolvidas nesse cenário. No entanto, são escassas as tecnologias que aprimoram a vigilância epidemiológica em contextos com baixa capacidade de testagem e recursos de saúde limitados. Portanto, este estudo tem como objetivo abordar essa lacuna, desenvolvendo um modelo de ciência de dados que utiliza registros de atendimentos de saúde gerados rotineiramente para detectar possíveis novos surtos de forma precoce e em tempo real. Definiu-se um indicador epidemiológico que serve como proxy para casos suspeitos de COVID-19 usando os registros de saúde de pacientes das Unidades de Pronto Atendimento (UPAs) e técnicas de mineração de texto. O conjunto de dados aberto compreende 2.760.862 registros médicos de nove UPAs, onde cada registro contém informações sobre a idade do paciente, sintomas relatados e a hora e data de admissão. Também foi utilizado um conjunto de dados onde 1.026.804 casos de COVID-19 foram oficialmente confirmados. Os registros variam de janeiro de 2020 a maio de 2022. A correlação cruzada amostral entre duas séries temporais estocásticas finitas foi utilizada para avaliar os modelos. Para pacientes com idade = 18 anos, encontramos atraso temporal t = 72 dias e correlação cruzada ?ˆi,j ~ 0, 82, t = 25 dias e ?ˆi,j ~ 0, 93, e t = 17 dias e ?ˆi,j ~ 0, 88 para a primeira, segunda e terceira ondas, respectivamente. Em suma, mostrou-se que o modelo desenvolvido pode auxiliar na detecção precoce de sinais de possíveis novos surtos de COVID-19, semanas antes dos sistemas tradicionais de vigilância, antecipando assim a implementação de ações preventivas e de controle em saúde pública com uma maior probabilidade de sucesso. Palavras-chave: COVID-19. Vigilância em Saúde Pública. Ciência de Dados. Mineração de Texto. Correlação Cruzada. |
