1. Repositório Institucional da UFMG
2. Trabalhos Acadêmicos
3. Dissertações e Teses
4. Pós-Graduação em Ciência Animal
5. Teses de Doutorado

Type:	Tese
Title:	Comparação da performance de algoritmos de aprendizado de máquina para análise preditiva de febre amarela no estado de Minas Gerais
Authors:	Isabela de Lourdes Araújo
First Advisor:	Marcos Xavier Silva
First Co-advisor:	Frederico Gualberto Ferreira Coelho
metadata.dc.contributor.advisor-co2:	Soraia de Araújo Diniz
Abstract:	A febre amarela é uma arbovirose de caráter zoonótico, de extrema importância para a saúde pública no Brasil. A ocorrência de casos de 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/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. 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. 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. O terceiro artigo objetivou predizer casos de febre amarela humana em 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.
Subject:	Epidemiologia
language:	por
metadata.dc.publisher.country:	Brasil
Publisher:	Universidade Federal de Minas Gerais
Publisher Initials:	UFMG
metadata.dc.publisher.department:	VET - DEPARTAMENTO DE MEDICINA VETERINÁRIA PREVENTIVA
metadata.dc.publisher.program:	Programa de Pós-Graduação em Ciência Animal
Rights:	Acesso Aberto
metadata.dc.rights.uri:	http://creativecommons.org/licenses/by-nc-nd/3.0/pt/
URI:	http://hdl.handle.net/1843/52262
Issue Date:	16-Feb-2023
Appears in Collections:	Teses de Doutorado

This item is licensed under a Creative Commons License