Aprimoramento de modelos de aprendizado de máquina para predição de internações por doenças respiratórias em Cuiabá-MT
Carregando...
Data
Autores
Orientador
Rizol, Paloma Maria Silva Rocha 
Coorientador
Pós-graduação
Curso de graduação
Guaratinguetá - FEG - Engenharia Elétrica
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Este trabalho tem como objetivo aprimorar modelos de aprendizado de máquina para previsão de internações por doenças respiratórias na cidade de Cuiabá-MT, originalmente desenvolvidos por Matheus Cerqueira (2023). Utilizaram-se dados do Sistema de Informação Hospitalar (SIHSUS), Sistema de Informação de Saúde Ambiental (SISAM), da mesma forma como executado pelo Cerqueira (2023) em seu trabalho, com a adição da base do Instituto Nacional de Meteorologia (INMET), referentes ao período de 2013 a 2018. As bases foram tratadas, integradas e analisadas com a linguagem Python e as bibliotecas Pandas, Scikit-learn e XGBoost. Foram avaliados os modelos de Regressão Linear, Árvore de Decisão, Floresta Aleatória, XGBoost e Máquinas de Vetores de Suporte (SVR) segundo as métricas MAE, RMSE e MAPE. O XGBoost apresentou o melhor desempenho, com redução significativa dos erros em relação ao trabalho anterior. Conclui-se que o uso de técnicas de aprendizado de máquina mais robustas e o ajuste de hiperparâmetros aumentam a acurácia das previsões, reforçando o potencial da inteligência artificial como instrumento de apoio à formulação de políticas públicas em saúde.
Resumo (inglês)
This study aims to improve machine leaming models for predicting hospitalizations due to
respiratory diseases in the city of Cuiabá, Mato Grosso, originally developed by Matheus Cerqueira
(2023). Data from the Hospital Information System (SIHSUS) and the Environmental Health
Information System (SISAM) were used, as in Cerqueira's (2023) study, with the addition of data
from the National Institute of Meteorology (INMET) for the period from 2013 to 2018. The databases were processed, integrated, and analyzed using the Python and Pandas, Scikit-leam, and XGBoost libraries. Linear Regression, Decision Tree, Random Forest, XGBoost, and Support Vector Machines (SVR) models were evaluated according to the MAE, RMSE, and MAPE metrics. XGBoost performed best, with a significant reduction in errors compared to the previous study. It was concluded that the use of more robust machine leaming techniques and hyperparameter tuning increase the accuracy of predictions, reinforcing the potential of artificial intelligence as a tool to support the formulation of public health policies
Descrição
Palavras-chave
doenças respiratórias, poluentes do ar, aprendizado de máquina, saúde pública, xgboost, regressão linear, árvore de decisão, floresta aleatória, máquina de vetores de suporte, respiratory diseases, air pollutants, machine learning, public health, xgboost, linear regression, decision tree, random forest, support vector machines, Aprendizado do computador, Aparelho respiratório - Doenças, Redes neurais (Computação)
Idioma
Português
Citação
PERINI, Gianluca Lima. Aprimoramento de modelos de aprendizado de máquina para predição de internações por doenças respiratórias em Cuiabá-MT. Orientadora: Paloma Maria Silva Rocha Rizol. 2025. 58 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Faculdade de Engenharia e Ciências, Universidade Estadual Paulista, Guaratinguetá, 2025.
