Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/72184
Type: | Dissertação |
Title: | Arquétipos latentes: os módulos dos padrões espaciais complexos do câncer |
Authors: | Thais Pacheco Menezes |
First Advisor: | Marcos Oliveira Prates |
metadata.dc.contributor.advisor2: | Renato Martins Assunção |
First Referee: | Wagner Hugo Bonat |
Second Referee: | Vinícius Diniz Mayrink |
Abstract: | Estudos sobre o comportamento epidemiológico de diversas doenças tem sido o foco de muitos pesquisadores que analisam os mapas de incidência e/ou de mortalidade em busca de padrões geográficos capazes de explicar o comportamento da doença em questão. Ao analisar regiões de maior taxa, é possível tirar conclusões que indiquem, por exemplo, que determinada doença está associada com alta poluição do ar devido à alta concentração de casos em áreas industriais. O problema nesse procedimento é que doenças como câncer possuem diversos tipos, o que torna seu estudo mais complicado pois, torna-se necessário a análise de diversos mapas individualmente. Com base nisso, o objetivo desse trabalho é propor um método capaz de reduzir a quantidade de mapas a serem analisados sem detrimento da análise realizada. A ideia base é usar a decomposição do valor singular para encontrar mapas latentes que são capazes de explicar os padrões geográficos de diversas doenças. Antes da aplicação do teorema da decomposição, serão feitos métodos de suavização Bayesiana além de que as taxas serão obtidas através da forma do SMRi para retirar viés de faixa etária. Nesse trabalho, iremos analisar dados de mortalidade por câncer do Brasil e dos EUA e mostrar como essa redução de mapas pode ser feita, entendida e explorada. Como resultado, obtem-se uma eficância de 90% na redução dos Estados Unidos e de 63,33% no caso brasileiro. |
Abstract: | Studies on the epidemiological behavior of several diseases have been the focus of many researchers who analyze incidence and/or mortality maps in search of geographic patterns capable of explaining the behavior of the disease in question. When analyzing regions with a higher rate, it is possible to draw conclusions that indicate, for example, that a certain disease is associated with high air pollution due to the high concentration of cases in industrial areas. The problem with this procedure is that diseases like cancer have different types, which makes their study more complicated because it is necessary to analyze several maps individually. Based on this, the objective of this work is to propose a method capable of reducing the amount of maps to be analyzed without the detriment of the analysis performed. The basic idea is to use the decomposition of the singular value to find latent maps that are able to explain the geographical patterns of different diseases. Before applying the decomposition theorem, Bayesian smoothing methods will be used and the rates will be obtained through the SMRi form to remove age-bias. In this work, we will analyze the cancer mortality data from Brazil and USA and show how this reduction of maps can be made, understood and explored. As a result, an efficiency of 90% is obtained in the reduction of the United States and of 63.33% in the Brazilian case. |
Subject: | Estatística – Teses Análise espacial (Estatística) – Teses Câncer – Brasil – Estatística – Teses Câncer – Estados Unidos – Estatística – Teses Decomposição em valores singulares – Teses |
language: | por |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | ICX - DEPARTAMENTO DE ESTATÍSTICA |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Estatística |
Rights: | Acesso Aberto |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nd/3.0/pt/ |
URI: | http://hdl.handle.net/1843/72184 |
Issue Date: | 28-Feb-2020 |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
DissertacaoThaisMenezesFinal.pdf | Dissertação de Mestrado - Thais Menezes | 10.06 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License