Publicação: Machine Learning para estimar o número de internações por doenças respiratórias em Cuiabá-MT
Carregando...
Arquivos
Data
Autores
Orientador
Rizol, Paloma Maria Silva Rocha 
Coorientador
Pós-graduação
Curso de graduação
Engenharia Elétrica - FEG
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
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.
Resumo (inglês)
An estimate made in 2021 indicates that each year, exposure to air pollution is responsible for 7 million
premature deaths and millions of reduced life years of people with healthy living around the world.
Another aggravating factor related to pollution is the increase in temperature average of the planet
which in 2021 was 1.1◦C above the pre-industrial baseline. Due to fires in 2017, the city of Cuiabá
faced high rates of particulate matter, much higher values than the minimum considered tolerable
for humans. These high values contribute to the emergence of serious respiratory problems, such
as bronchospasm, pneumonia and bronchitis. Given this context, the demand for health services
is increasing and situations in which services operating above maximum capacity are increasingly
frequent. The systems and health care services need essential resources to act, including hospital
information, diseases and predictions. As a solution to this problem, machine learning models were
analyzed and a neural network, comparing the results obtained by the Linear Regression, Decision
Tree, Random Forest and an LSTM. The model that obtained the best performance was the LSTM
using a time series approach with an RMSE of approximately 3 admissions.
Descrição
Palavras-chave
Doenças Respiratórias, Poluentes Atmosféricos, Cuibá-MT, Aprendizado de Máquina, Rede Neural Artificial, Respiratory Diseases, Atmospheric Pollutants, Machine Learning, Artificial Neural Network
Idioma
Português
