Impacto Da Pandemia Pela Covid-19 E Modelos De Aprendizagem De Máquina Para Predição De Nascimentos Prematuros Nas Capitais Da Região Nordeste Do Brasil, 2018-2021
Bibliographic Data
| ID | 21429985 |
|---|---|
| Authors | José Maurício Matapi da Silva Matapi, Heitor Victor Veiga da Costa (0000-0003-2525-6689), Fernando M de Paula Neto (0000-0003-4264-1124) |
| Year | 2023 |
| Volume | 37 |
| Issue | 1 |
| Publication date | 2023-04-11 |
| Open Access | Yes |
| Type | ARTICLE |
| Venue | Cadernos de Estudos Sociais (JOURNAL) |
| Journal identifiers | ISSN: 0102-4248 • E-ISSN: 2595-4091 |
| Publisher | Fundacao Joaquim Nabuco (PUBLISHER) |
| DOI | 10.33148/cesv37n1(2022)2122 |
| OpenAlex | W4376492142 |
| Language | PT |
| References cited | 2 |
O nascimento prematuro é um problema global devido a suas implicações para a morbidade e mortalidade. Consiste em um dos principais fatores de risco para a mortalidade neonatal e infantil. O parto pré-termo é definido como aquele cuja gestação termina entre a 20a e a 37a semanas ou entre 140 e 257 dias após o primeiro dia da última menstruação. Para este estudo, utilizou-se dados do Sistema de Informações sobre Nascidos Vivos (SINASC) das capitais da região Nordeste do Brasil, entre 2018 e 2021. Foi Verificado se os dois primeiros anos da pandemia pela covid-19 trouxeram impactos significativos para as distribuições das métricas de performance, em comparação ao que foi utilizado para treinamento e validação dos modelos. Foram aplicados seis algoritmos de aprendizado de máquina (Regressão Logística, Análise Discriminante Linear, Perceptron Multicamadas, AdaBoost, Árvore de decisão e Floresta Aleatória) para predição de prematuridade. Os modelos apresentaram como resultado queda na métrica Area Under the roc Curve (AUC) nos anos de 2020 e 2021 em relação a 2018 e 2019, com ênfase para os modelos Adaboost, Floresta Aleatória e Árvore de decisão, com quedas superiores a 10% atestadas pelos testes estatísticos de Kruskal-Wallis e Nemenyi. Como causadores da queda de performance dos modelos, foi identificado que as variáveis mês do início do pré-natal e idade perderam aderência em relação à base de treino. Os modelos apresentaram boa performance preditiva, contudo, a utilização de modelos baseados em árvores deve ser feita com cautela, visto que estes são mais instáveis e que a covid-19 trouxe impacto na distribuição das variáveis idade e mês de início de pré-natal. Para treinamento de novos modelos, atenção às variáveis de entrada e ao período utilizado para treinamento. Para soluções já estabelecidas, considerar o seu retreinamento. PALABRAS-CHAVE: Prematuridade. Saúde. Inteligência Artificial. Aprendizado de Máquina. covid-19
Coronavirus disease 2019 (COVID-19) · Humanities · Physics · Internal Medicine · Maternal and Neonatal Healthcare · Medicine · Philosophy
| Highly cited | No |
|---|