Logotipo do repositório

Aprimoramento de modelos de aprendizado de máquina para predição de internações por doenças respiratórias em Cuiabá-MT

Carregando...
Imagem de Miniatura

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 abertoAcesso 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

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.

Financiadores

Publicações relacionadas

Tipo de item:Publicação, Trabalho de conclusão de curso
Machine Learning para estimar o número de internações por doenças respiratórias em Cuiabá-MT
(Universidade Estadual Paulista (Unesp), 2023-02-02)
Jesus, Matheus Cerqueira de
;
Rizol, Paloma Maria Silva Rocha
;
Universidade Estadual Paulista (Unesp)
Uma estimativa realizada em 2021 aponta que a cada ano, a exposição à poluição atmosférica seja responsável por 7 milhões de mortes prematuras e milhões de anos de vida reduzidos de pessoas com uma vida saudável em todo o mundo. Outro agravante relacionado a poluição é o aumento da temperatura média do planeta que em 2021 foi 1,1◦C acima da linha base pré-industrial. Devido as queimadas no ano de 2017 a cidade de Cuiabá-MT, Brasil enfrentou altas taxas de material particulado, valores muito maiores do que o mínimo considerado tolerável para os seres humanos. Esses altos valores contribuem para o surgimento de problemas respiratórios graves, como o broncoespasmo, pneumonia e bronquites. Em consideração a esse contexto, as demandas dos serviços de saúde estão cada vez maiores e situações em que os serviços operam acima da capacidade máxima estão cada vez mais frequentes. Os sistemas e serviços de saúde necessitam de recursos essenciais para atuar, incluindo informações hospitalares, doenças e previsões. Como solução a esse problema, foram analisados modelos de aprendizado de máquina e uma rede neural artificial, comparando os resultados obtidos pelo modelo de Regressão Linear, Árvore de Decisão, Floresta Aleatória e uma LSTM. O modelo que obteve o melhor desempenho foi a LSTM utilizando uma abordagem de séries temporais com um RMSE de aproximadamente 3 internações.

Unidades

Tipo de item:Unidade,
Guaratinguetá, Faculdade de Engenharia e Ciências - FEG
FEG
Campus: Guaratinguetá

Departamentos

Cursos de graduação

Programas de pós-graduação