Desenvolvimento de modelos preditivos com Machine Learning - Análise de dados para saúde de gestantes e puérperas

• Autor(a) principal: Bezerra, Jackson Henrique da Silva
• Data de Publicação: 2024
• Outros Autores: Almeida, Fabrício Moraes de
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional do Instituto Federal de Educação, Ciência e Tecnologia de Rondônia (IFRO)
• dARK ID: ark:/13344/0013000001csd
• Texto Completo: http://repositorio.ifro.edu.br/handle/123456789/1396
• topic: Machine Learning(ML; Banco de dados; Síndrome Respiratória Aguda Grave (SRAG); Modelos Preditivos; Machine Learning (ML); Database; Severe Acute Respiratory Syndrome (SARS); Predictive Models

O Machine Learning(ML) tem um papel importante na área da saúde, fornecendo modelos preditivos criados a partir de algoritmos e grandes bases de dados. Estes modelos podem classificar pacientes para fins de diagnóstico ou prognósticos em diversas doenças. A presente pesquisa teve como objetivo o desenvolvimento de modelos preditivos de óbito por Síndrome Respiratória Aguda Grave (SRAG) em grupos populacionaisvulneráveis na região Norte do Brasil. Para atingir este objetivo o estudo utilizou dados de gestantes e puérperas disponibilizados pelo Ministério da Saúde do Brasil. Como procedimento metodológico, foi realizado uma pesquisa aplicada através da metodologia CRISP-DM, que guiou todo o processo de seleção, processamento, transformação, aplicação dos algoritmos de ML e avaliação dos modelos preditivos. Os algoritmos Random Forest, Regression Logistic, K-Nearest NeighborseXGBoostforam utilizadosatravés do software Weka e biblioteca de código R, onde os modelos com Random Foresttiveram desempenho superior. Para garantir a confiança dos modelos foi utilizada a validação cruzada. Os modelos foram avaliados conforme as métricas de sensibilidade, especificidade, acurácia, precisão, F1-Score e AUC-ROC, sendo esta última a métrica primária de avaliação. Por fim, um protótipo de aplicação de software para uso dos modelos foi desenvolvido na linguagem Java para que o conhecimento gerado pelo modelo chegueaos profissionais da área da saúde. Os resultados deste estudo contribuem para a redução de óbitos por SRAG no público materno da região Norte do Brasil, contribuindo para o cumprimento das metas do Brasil na redução da mortalidade materna.