Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/15634
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
jorgerafaelharamoreira.pdf3.21 MBAdobe PDFVista previa
Visualizar/Abrir
Clase: Dissertação
Título : Classificação de risco neonatal usando aprendizado de máquina e dados dos sistemas de informação de saúde pública e de censo demográfico brasileiro
Autor(es): Moreira, Jorge Rafael Hara
Orientador: Vieira, Alex Borges
Co-orientador: Bernardino, Heder Soares
Miembros Examinadores: Goliatt, Priscila Capriles
Miembros Examinadores: Silva, Eduardo Krempser da
Resumo: A taxa de mortalidade infantil é considerada um dos indicadores mais importantes de uma sociedade. A partir dela, é possível retratar as condições de vida de um determinado país ou região, onde a presença de índices elevados pode refletir baixo nível de desenvolvimento social e econômico da população avaliada. O Brasil, apesar da melhora nos últimos anos, ainda enfrenta desafios para reduzir esse índice, principalmente em algumas regiões do país que carecem de infraestrutura e enfrentam problemas socioeconômicos mais graves. Inserida na composição da mortalidade infantil, estudos mostram que a maior parcela dos óbitos são provenientes do componente neonatal, exigindo maior atenção do poder público neste segmento. Assim, predizer o risco de um bebê morrer nos seus primeiros dias de vida pode gerar impactos positivos ao sistema de saúde público e, consequentemente, à sociedade brasileira. Este trabalho utiliza técnicas de aprendizado de máquina e dados dos sistemas de informação em saúde e de censo demográfico brasileiro para gerar classificadores que possibilitam emitir um alerta ao sistema de saúde em caso de risco de óbito neonatal, direcionando a atenção ao acompanhamento materno e ao recém-nascido. Os classificadores foram treinados usando um grande conjunto de dados formado a partir de um processo de vinculação de registros de cinco bases de dados distintas. Além disso, o conjunto de dados foi enriquecido com novas variáveis permitindo um estudo mais amplo dos fatores influenciadores da mortalidade neonatal. Os resultados revelam taxas de f1-score e AUC acima de 89% na classificação de risco de óbito neonatal, mostrando que o classificador proposto é viável como mais um recurso para prevenção de óbitos neonatais e aprimoramento do sistema de saúde.
Resumen : The infant mortality rate is considered one of the most critical indicators of society. From it, it is possible to portray the living conditions of a given country or region, where high indices may reflect a low social and economic development level of the assessed population. Despite the improvement in recent years, Brazil still needs to improve in reducing this index, especially in some regions of the country that lack infrastructure and face more severe socioeconomic problems. Inserted in the composition of infant mortality, studies show that the largest share of deaths come from the neonatal component, requiring greater attention from the public authorities in this segment. Thus, predicting the risk of a baby dying in its first days of life can positively impact the public health system and, consequently, Brazilian society. This work uses machine learning techniques and data from health information systems and the Brazilian demographic census to generate classifiers that make it possible to issue an alert to the health system in case of risk of neonatal death, directing attention to maternal and newborn follow-up. The classifiers were trained using a large dataset by linking records from five databases. In addition, the data set was enriched with new variables allowing a broader study of the factors that influence neonatal mortality. The results reveal f1-score and AUC rates above 89% in the neonatal death risk classification, showing that the proposed classifier is viable as one more resource for preventing neonatal deaths and improving the health system.
Palabras clave : Mortalidade infantil
Óbito neonatal
Aprendizado de máquina
Classificação
Sistemas de informação de saúde
Censo demográfico
Vinculação de registros
Infant mortality
Neonatal death
Machine learning
Classification
Health information systems
Demographic census
Record linkage
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Programa: Programa de Pós-graduação em Ciência da Computação
Clase de Acesso: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/15634
Fecha de publicación : 13-abr-2023
Aparece en las colecciones: Mestrado em Ciência da Computação (Dissertações)



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons