Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/26211
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSilva, Amauri Ornellas da-
dc.date.accessioned2021-10-22T19:53:34Z-
dc.date.available2021-10-22T19:53:34Z-
dc.date.issued2021-08-20-
dc.identifier.citationSILVA, Amauri Ornellas da. Uso de machine learning para previsão da evolução de casos SRAG incluindo casos de COVID-19 considerando variáveis clínicas e demográficas. 2021. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) - Universidade Tecnológica Federal do Paraná, Londrina, 2021.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/26211-
dc.description.abstractThis work presents an exploratory analysis of the public database about Severe Acute Respiratory Syndrome (SARS) and the use of supervised learning methods to predict the evolution of patients' cases to death or cure. Two databases were created to compare the results and select relevant variables by the classification models, one containing the clinical variables and the other containing clinical and demographic variables. The classifiers used were k-nearest neighbors (KNN), Decision Trees, Logistic Regression, Random Forests, Neural Networks and XGBoost. XGBoost had the best area under the curve (AUC) result: 0.86 and the main attributes for classification were the use of invasive ventilation support, age over 70 years and admission to the ICU, the main demographic attributes were living in the northeast and north regions. The database with demographic variables presented results slightly superior to the results obtained with the clinical variables alone and allowed us to understand which sociodemographic characteristics are more relevant in the outcome of SARS cases.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectCOVID-19 (Doença)pt_BR
dc.subjectClassificaçãopt_BR
dc.subjectMachine learningpt_BR
dc.subjectCOVID-19 (Disease)pt_BR
dc.subjectClassificationpt_BR
dc.titleUso de machine learning para previsão da evolução de casos de SRAG incluindo casos de COVID-19 considerando variáveis clínicas e demográficaspt_BR
dc.title.alternativeUsing machine learning to predict the evolution of SARS cases including COVID-19 cases considering clinical and demographic variablespt_BR
dc.typebachelorThesispt_BR
dc.description.resumoEste trabalho faz uma análise exploratória da base de dados se Síndrome Respiratória Aguda Grave (SRAG) disponibilizada pelo Sistema Único de Saúde (SUS) e utilização métodos de aprendizagem supervisionada para a previsão da evolução dos casos dos pacientes para óbito ou cura. Duas bases foram criadas para comparação dos resultados e seleção de variáveis relevantes pelos modelos de classificação, uma contendo as variáveis clínicas e outra contendo variáveis clínicas e demográficas. Os classificadores utilizados foram o k-vizinhos mais próximos (k-nearest neighbors - KNN), Árvores de Decisão, Regressão Logística, Florestas Aleatórias, Redes Neurais e o XGBoost. O XGBoost obteve o melhor resultado de área sob a curva (area under de curve – AUC): 0,86 e os principais atributos para classificação foram o uso de suporte ventilatório invasivo, idade acima de 70 anos e internação na UTI, os principais atributos demográficos foram morar na região nordeste e norte. A base com variáveis demográficas apresentou resultados levemente superiores aos resultados obtidos somente com as variáveis clínicas e permitiu compreender quais características sociodemográficas são mais relevantes no desfecho de casos de SRAG.pt_BR
dc.degree.localLondrinapt_BR
dc.publisher.localLondrinapt_BR
dc.contributor.advisor1Santos, Bruno Samways dos-
dc.contributor.referee1Santos, Bruno Samways dos-
dc.contributor.referee2Tondato, Rogério-
dc.contributor.referee3Lima, Rafael Henrique Palma-
dc.publisher.countryBrasilpt_BR
dc.publisher.programEngenharia de Produçãopt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAOpt_BR
Aparece nas coleções:LD - Engenharia de Produção

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
machinelearningprevisaocovid.pdf902,4 kBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.