Machine Learning para estimar o número de internações por doenças respiratórias em Cuiabá-MT

Abstract

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.

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.