Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal

Detalhes bibliográficos
Autor(a) principal: Grillo, Douglas Rosa
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
dARK ID: ark:/87559/0013000006nn3
Texto Completo: http://app.uff.br/riuff/handle/1/29296
Resumo: Em dezembro de 2019 surgiu na China uma doença causada pelo vírus Sars-Cov2 chamada Covid-19, sua capacidade de contágio é tão alta que logo a Organização Mundial de Saúde (OMS) decretou estado pandêmico. Por causa da doença houveram muitos problemas não só de saúde como também sociais e econômicos. Gestores de todas as áreas se viram obrigados a tomarem decisões sem contar com uma ferramenta de apoio a tomada de decisão. Decisões da área de saúde como a compra de medicamentos, insumos médicos e hospitalares, implementação de hospitais de campanha, reforço do efetivo da saúde, foram sendo experimentadas. A presente pesquisa propõe um modelo preditivo da propagação da doença por meio de p-fuzzy, que significa parcialmente fuzzy, quando a população é submetida a vacinação. Para resolver o problema foi utilizado um Sistema Baseado em Regras Fuzzy (SBRF) no lugar das tradicionais Equações Diferencias Ordinárias (EDO) normalmente utilizadas em modelos epidemiológicos clássicos. A solução do modelo contou com um código de programação em linguagem Python. Os resultados obtidos mostram que pode haver a possibilidade de utilização do modelo como apoio a tomada de decisão. Ao entender como se propaga a doença um gestor poderá embasar as suas decisões de modo a causar menor impacto social e econômico, seja no setor da saúde pública ou privada. Outra conclusão é de que a vacinação pode ser uma boa estratégia de combate a propagação da Covid-19.
id UFF-2_c5ea32ea8bc99681395dbc4576c2c2d1
oai_identifier_str oai:app.uff.br:1/29296
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinalCovid-19Sistema p-fuzzyVacinaçãoPropagação do Sars-Cov2Modelagem matemáticaCovid-19Cobertura vacinalSistema p-fuzzyModelagem matemáticaLinguagem PythonCovid-19p-fuzzy systemVaccinationSpread of Sars-Cov2Mathematical modelingEm dezembro de 2019 surgiu na China uma doença causada pelo vírus Sars-Cov2 chamada Covid-19, sua capacidade de contágio é tão alta que logo a Organização Mundial de Saúde (OMS) decretou estado pandêmico. Por causa da doença houveram muitos problemas não só de saúde como também sociais e econômicos. Gestores de todas as áreas se viram obrigados a tomarem decisões sem contar com uma ferramenta de apoio a tomada de decisão. Decisões da área de saúde como a compra de medicamentos, insumos médicos e hospitalares, implementação de hospitais de campanha, reforço do efetivo da saúde, foram sendo experimentadas. A presente pesquisa propõe um modelo preditivo da propagação da doença por meio de p-fuzzy, que significa parcialmente fuzzy, quando a população é submetida a vacinação. Para resolver o problema foi utilizado um Sistema Baseado em Regras Fuzzy (SBRF) no lugar das tradicionais Equações Diferencias Ordinárias (EDO) normalmente utilizadas em modelos epidemiológicos clássicos. A solução do modelo contou com um código de programação em linguagem Python. Os resultados obtidos mostram que pode haver a possibilidade de utilização do modelo como apoio a tomada de decisão. Ao entender como se propaga a doença um gestor poderá embasar as suas decisões de modo a causar menor impacto social e econômico, seja no setor da saúde pública ou privada. Outra conclusão é de que a vacinação pode ser uma boa estratégia de combate a propagação da Covid-19.In December 2019, a disease caused by the Sars-Cov2 virus called Covid-19 emerged in China. Its high contagiousness led the World Health Organization (WHO) to declare a pandemic state. The disease resulted in numerous health, social, and economic problems. Managers in all areas found themselves compelled to make decisions without the support of a decision-making tool. Decisions in the healthcare field, such as the purchase of medications, medical and hospital supplies, implementation of field hospitals, and reinforcement of healthcare personnel, were being experimented with. This research proposes a predictive model of disease spread using p-fuzzy, which stands for partially fuzzy, when the population undergoes vaccination. To solve the problem, a Fuzzy Rule-Based System (FRBS) was used instead of the traditional Ordinary Differential Equations (ODE) typically employed in classical epidemiological models. The model's solution involved a programming code in Python language. The obtained results demonstrate the potential use of the model as a decision-making support tool. By understanding how the disease spreads, a manager can base their decisions in a way that minimizes social and economic impact, whether in the public or private healthcare sector. Another conclusion is that vaccination can be an effective strategy in combating the spread of Covid-19.92 p.Garcia, Vanessa da Silvahttp://lattes.cnpq.br/2206038698250045Costa, Kelly Alonsohttp://lattes.cnpq.br/8918904607205362Sigette, Elaine Ribeirohttp://lattes.cnpq.br/2297389441666968Queiroz, Rafael Alves Bonfim dehttp://lattes.cnpq.br/8602778120667424Almeida, Josimar Ribeiro dehttp://lattes.cnpq.br/3215586187698472http://lattes.cnpq.br/4367207875022889Grillo, Douglas Rosa2023-07-07T20:28:15Z2023-07-07T20:28:15Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfGRILLO, Douglas Rosa. Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal. 2023. 92 f. Dissertação (Mestrado) - Curso de Pós-Graduação em Engenharia de Produção, Universidade Federal Fluminense, Volta Redonda, 2023.http://app.uff.br/riuff/handle/1/29296ark:/87559/0013000006nn3CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2023-07-07T20:28:20Zoai:app.uff.br:1/29296Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202023-07-07T20:28:20Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal
title Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal
spellingShingle Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal
Grillo, Douglas Rosa
Covid-19
Sistema p-fuzzy
Vacinação
Propagação do Sars-Cov2
Modelagem matemática
Covid-19
Cobertura vacinal
Sistema p-fuzzy
Modelagem matemática
Linguagem Python
Covid-19
p-fuzzy system
Vaccination
Spread of Sars-Cov2
Mathematical modeling
title_short Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal
title_full Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal
title_fullStr Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal
title_full_unstemmed Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal
title_sort Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal
author Grillo, Douglas Rosa
author_facet Grillo, Douglas Rosa
author_role author
dc.contributor.none.fl_str_mv Garcia, Vanessa da Silva
http://lattes.cnpq.br/2206038698250045
Costa, Kelly Alonso
http://lattes.cnpq.br/8918904607205362
Sigette, Elaine Ribeiro
http://lattes.cnpq.br/2297389441666968
Queiroz, Rafael Alves Bonfim de
http://lattes.cnpq.br/8602778120667424
Almeida, Josimar Ribeiro de
http://lattes.cnpq.br/3215586187698472
http://lattes.cnpq.br/4367207875022889
dc.contributor.author.fl_str_mv Grillo, Douglas Rosa
dc.subject.por.fl_str_mv Covid-19
Sistema p-fuzzy
Vacinação
Propagação do Sars-Cov2
Modelagem matemática
Covid-19
Cobertura vacinal
Sistema p-fuzzy
Modelagem matemática
Linguagem Python
Covid-19
p-fuzzy system
Vaccination
Spread of Sars-Cov2
Mathematical modeling
topic Covid-19
Sistema p-fuzzy
Vacinação
Propagação do Sars-Cov2
Modelagem matemática
Covid-19
Cobertura vacinal
Sistema p-fuzzy
Modelagem matemática
Linguagem Python
Covid-19
p-fuzzy system
Vaccination
Spread of Sars-Cov2
Mathematical modeling
description Em dezembro de 2019 surgiu na China uma doença causada pelo vírus Sars-Cov2 chamada Covid-19, sua capacidade de contágio é tão alta que logo a Organização Mundial de Saúde (OMS) decretou estado pandêmico. Por causa da doença houveram muitos problemas não só de saúde como também sociais e econômicos. Gestores de todas as áreas se viram obrigados a tomarem decisões sem contar com uma ferramenta de apoio a tomada de decisão. Decisões da área de saúde como a compra de medicamentos, insumos médicos e hospitalares, implementação de hospitais de campanha, reforço do efetivo da saúde, foram sendo experimentadas. A presente pesquisa propõe um modelo preditivo da propagação da doença por meio de p-fuzzy, que significa parcialmente fuzzy, quando a população é submetida a vacinação. Para resolver o problema foi utilizado um Sistema Baseado em Regras Fuzzy (SBRF) no lugar das tradicionais Equações Diferencias Ordinárias (EDO) normalmente utilizadas em modelos epidemiológicos clássicos. A solução do modelo contou com um código de programação em linguagem Python. Os resultados obtidos mostram que pode haver a possibilidade de utilização do modelo como apoio a tomada de decisão. Ao entender como se propaga a doença um gestor poderá embasar as suas decisões de modo a causar menor impacto social e econômico, seja no setor da saúde pública ou privada. Outra conclusão é de que a vacinação pode ser uma boa estratégia de combate a propagação da Covid-19.
publishDate 2023
dc.date.none.fl_str_mv 2023-07-07T20:28:15Z
2023-07-07T20:28:15Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv GRILLO, Douglas Rosa. Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal. 2023. 92 f. Dissertação (Mestrado) - Curso de Pós-Graduação em Engenharia de Produção, Universidade Federal Fluminense, Volta Redonda, 2023.
http://app.uff.br/riuff/handle/1/29296
dc.identifier.dark.fl_str_mv ark:/87559/0013000006nn3
identifier_str_mv GRILLO, Douglas Rosa. Modelo preditivo p-fuzzy para estudo da propagação da Covid-19 frente a cobertura vacinal. 2023. 92 f. Dissertação (Mestrado) - Curso de Pós-Graduação em Engenharia de Produção, Universidade Federal Fluminense, Volta Redonda, 2023.
ark:/87559/0013000006nn3
url http://app.uff.br/riuff/handle/1/29296
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1848091056368779264

Registros relacionados