Estudo utilizando Machine Learning da relação dos dados coletados pelo SINASC e o peso do recém nascido

Imagem de Miniatura

Data

2021-03-12

Autores

Pereira, Felipe Martins

Título da Revista

ISSN da Revista

Título de Volume

Editor

Universidade Estadual Paulista (Unesp)

Resumo

Low birth weight (LBW) is a condition that impacts a considerable portion of the world population and can influence the onset of diseases during adulthood, in addition to being associated with neonatal mortality. The concept of LBW is presented by WHO as children who were born weighing less than 2500g and is associated with the child’s family’s condition of life. The Sistema Único de Saúde (SUS) collects a set of information at the time of the child’s birth and consolidates in the SINASC system, information that is related to the child’s condition and family characteristics. With this information, it is possible to develop a model using data science techniques and artificial neural networks to find a correlation of these data to LBW and to enable better prenatal care to reduce the incidence of the condition in children. The artificial neural network constructed was through the Keras library, consisting of five layers and which demonstrated good results in relation to the classification of low weight, demonstrating a correlation of the SINASC data with the weight of the newborn
O baixo peso ao nascer (BPN) é uma condição que impacta uma parcela considerável da população mundial e pode influenciar o surgimento de doenças durante a vida adulta, além de estar associado com a mortalidade neonatal. O conceito de BPN é apresentado pela OMS como crianças que nasceram com um peso inferior a 2500g e está associado a condição de vida da família da criança. O Sistema Único de Saúde (SUS) realiza a coleta de um conjunto de informações no momento do nascimento da criança e consolida no sistema SINASC, informações que estão relacionadas a condição da criança e a características da família. Com essas informações é possível desenvolver um modelo com o uso de técnicas de ciência de dados e de redes neurais artificiais para encontrar uma correlação desses dados ao BPN e possibilitar um melhor acompanhamento pré-natal para diminuir a incidência da condição nas crianças. A rede neural artificial construída foi por meio da biblioteca Keras, constituída de cinco camadas e que demonstrou bons resultados na em relação a classificação de baixo peso, demonstrando uma correlação dos dados do SINASC com o peso do recém nascido

Descrição

Palavras-chave

Low birth weight, Data Science, Artificial Intelligence, Artificial neural networks, SINASC data, Baixo Peso ao Nascer, Ciência de Dados, Inteligência Artificial, Redes Neurais Artificiais, Dados do SINASC

Como citar