The use of Artificial Neural Networks in the diagnosis of manageable factors on Brazilian Primary Health Care
DOI:
https://doi.org/10.33448/rsd-v10i1.11740Keywords:
Artificial neural networks; Technology for management in public health; Efficiency.Abstract
The social determinants of health are relevant in the main strategies of Primary Health Care. However, it is known the difficulties of the health sector to overcome the factors that negatively interfere with the health of the population. Thus, it was aimed to create a computer model to present in detail the factors that somehow are related to the Primary Health Care, enabling public health managers to make decisions efficiently. Using artificial neural networks, it was possible to create a classifier model that could show which variables are related to the efficiency in Primary Care and which lead to inefficiency. Moreover, it was used the NICeSim simulator as a tool to evaluate the behavior of each variable identified as relevant to the efficiency in Primary Care of cities. The results demonstrate that the created model was superior to previously proposed models. Furthermore, our model has been demonstrated to be very effective in identifying variables that affect Primary Health. The created model shows that factors, such as illiteracy and welfare programs, considerably affect the efficiency of health care, reinforcing the argument that the focus of the public policies should be dealt in an intersectoral way, improving the factors that positively influence the population health.
References
Añaña, E. D. S., Vieira, L. M. M., Petroll, M. D. L. M., Petersen-Wagner, R., & Costa, R. S. (2008). As comunidades virtuais e a segmentação de mercado: uma abordagem exploratória, utilizando redes neurais e dados da comunidade virtual Orkut. Revista de Administração Contemporânea, 12(SPE), 41-63.
Andrade, L. O. M. D. (2004). A saúde e o dilema da intersetorialidade.
Andrade, Livia Naiara et al. (2013). Aplicação de redes neurais artificiais na classificação de áreas cafeeiras em Machado-MG. Coffee Science, 8(1), 78-90.
Assis, S. G., Avanci, J. Q., Oliveira, R. de V. C. (2009).Desigualdades socioeconômicas e saúde mental infantil. Rev. Saúde Pública, 43(1), 92-100,
Becker, D. (2001). No seio da família: amamentaçäo e promoçäo da saúde no Programa de Saúde da Família (Doctoral dissertation).
Brasil. (2000). Ministério da Saúde. Secretaria de Políticas de Saúde. O trabalho do Agente Comunitário de Saúde. Brasília.
Brasil (2014). Bolsa Família. Ministério do Desenvolvimento Social e Combate à Fome. Recuperado de: <http://www.mds.gov.br/bolsafamilia>.
Brasil.(2009) Ministério do desenvolvimento social e combate à fome. Orientações Técnicas Centro de Referência de Assistência Social – CRAS. Brasília. <http://sistemas.fecam.org.br/SUAS/publicacoes/11-%20Cras%20Orienta%C3%A7%C3%B5es%20T%C3%A9cnicas.pdf>.
Bonacim, C. A. G., de Araújo, A. M. P., & de Souza Miranda, C. (2008). Modelo conceitual de mensuração do resultado econômico em entidades públicas. ABCustos, 3(2).
Buss, P. M., Buss, P., & Buss, P. M. (2002). Promoção da saúde da família.
Cabral, K. F. D., Ferreira, M. A. M., Batista, R. S., & Cerqueira, F. R. (2019). Atenção primária à saúde: uma análise a luz da eficiência técnica dos recursos no Estado de Minas Gerais. Revista de Gestão em Sistemas de Saúde, 8(2), 137-150.
Castanheira, L. G. (2008). Aplicação de técnicas de mineração de dados em problemas de classificação de padrões. Dissertação de Mestrado em Engenharia Elétrica – UFMG.
Cerqueira, F. R., Ferreira, T. G., de Paiva Oliveira, A., Augusto, D. A., Krempser, E., Barbosa, H. J. C., & Siqueira-Batista, R. (2014). NICeSim: an open-source simulator based on machine learning techniques to support medical research on prenatal and perinatal care decision making. Artificial intelligence in medicine, 62(3), 193-201.
Coelho, L. D. S., Santos, A. A. P., & Costa Jr, N. C. A. D. (2008). Can we forecast Brazilian exchange rates? Empirical evidences using computational intelligence and econometric models. Gestão & Produção, 15(3), 635-647.
Carboni, R. M., & Reppetto, M. Â. (2007). Uma reflexão sobre a assistência à saúde do idoso no Brasil. Revista Eletrônica de Enfermagem, 9(1).
Dias, M. M. (2002). Parâmetros na escolha de técnicas e ferramentas de mineração de dados. Acta Scientiarum. Technology, 24, 1715-1725.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 30-37.
Farias, L. O. (2001). Estratégias individuais de proteção à saúde: um estudo da adesão ao sistema de saúde suplementar. Ciência & Saúde Coletiva, 6, 405-416.
Fanucchi, R. Z., Oleskovicz, M. A. R. I. O., & Barbosa, D. A. N. I. E. L. (2013). Análise da Detecção de Faltas de Alta Impedância Utilizando Redes Neurais Artificiais com Topologias Baseadas em Perceptron Multicamadas e Redes RBF. Simpósio Brasileiro de Automação Inteligente (SBAI), Fortaleza.
Felix, L. F. C., Maria das Graças, J. M., & Pontes, A. N. (2013). Aplicação das técnicas de mineração de dados sobre as características reprodutivas de suínos: estudo de caso de uma granja do estado de São Paulo. Reverte-Revista de Estudos e Reflexões Tecnológicas da Faculdade de Indaiatuba, (11).
Galvão, N. D., & Marin, H. D. F. (2009). Técnica de mineração de dados: uma revisão da literatura. Acta Paulista de Enfermagem, 22(5), 686-690.
Giovanella, L., Mendonça, M. H. M. D., Almeida, P. F. D., Escorel, S., Senna, M. D. C. M., Fausto, M. C. R., & Teixeira, C. P. (2009). Saúde da família: limites e possibilidades para uma abordagem integral de atenção primária à saúde no Brasil. Ciência & Saúde Coletiva, 14(3), 783-794.
Göttems, L. B. D., & Pires, M. R. G. M. (2009). Para além da atenção básica: reorganização do SUS por meio da interseção do setor político com o econômico. Saúde e Sociedade, 18, 189-198.
Goebel, M., & Gruenwald, L. (1999). A survey of data mining and knowledge discovery software tools. ACM SIGKDD explorations newsletter, 1(1), 20-33.
Heidmann, I. T., Almeida, M. C. P. D., Boehs, A. E., Wosny, A. D. M., & Monticelli, M. (2006). Promoção à saúde: trajetória histórica de suas concepções. Texto & Contexto-Enfermagem, 15(2), 352-358.
Junqueira, T. D. S., Cotta, R. M. M., Gomes, R. C., Silveira, S. D. F. R., Siqueira-Batista, R., Pinheiro, T. M. M., & Melo, E. M. D. (2009). Saúde, democracia e organização do trabalho no contexto do Programa de Saúde da Família: desafios estratégicos. Revista Brasileira de Educação Médica, 33(1), 122-133.
Klemettinen, M., Mannila, H., & Toivonen, H. (1997, September). A data mining methodology and its application to semi-automatic knowledge acquisition. In Database and Expert Systems Applications. 8th International Conference, DEXA'97. Proceedings (pp. 670-677). IEEE.
Macinko, J., Montenegro, H., Nebot Adell, C., & Etienne, C. (2007). Grupo de trabajo de Atención Primaria de Salud de la Organización Panamericana de la Salud. La renovación de la atención primaria de salud en las Américas. Revista Panamericana Salud Publica, 21(2/3), 73-84.
Marins, O. L. F., Barros, E. F., Romão, W., Constantino, A. A., & Souza, C. L. (2012). Aplicação de algoritmos de aprendizagem de máquina para mineração de dados sobre beneficiários de planos de saúde suplementar. Journal of Health Informatics, 4(2).
McClelland, J. L., Rumelhart, D. E., & PDP Research Group. (1986). Parallel distributed processing. Explorations in the Microstructure of Cognition, 2, 216-271.
Mitchell, T. M. (1997) Machine learning. McGraw-Hill.
Minayo, M. C. D. S. (2004). A difícil e lenta entrada da violência na agenda do setor saúde.
Neri, Marcelo, Soares, Wagner. (2002). Desigualdade social e saúde no Brasil Social inequality and health in Brazil. Cadernos de Saúde Pública, 77-87.
Oliveira, I. C., de Lima, K. F. P., & UEA, A. G. H. (2010). O programa bolsa família e o índice de desenvolvimento humano na cidade de Manaus.
Oliveira, M. A. D. (2007). Aplicação de redes neurais artificiais na análise de séries temporais econômico-financeiras (Doctoral dissertation, Universidade de São Paulo).
Organização Mundial da Saúde. (2002). Relatório mundial sobre violência e saúde.
Prati, R. C., Batista, G. E. A. P. A., & Monard, M. C. (2008). Curvas ROC para avaliação de classificadores. Revista IEEE América Latina, 6(2), 215-222.
Rosas, M. A., Bezerra, A. F. B., & Duarte-Neto, P. J. (2013). Uso das redes neurais artificiais na aplicação de metodologia para alocação de recursos da saúde. Revista de Saúde Pública, 47(1), 128-136.
Selau, L. P. R., & Ribeiro, J. L. D. (2009). Uma sistemática para construção e escolha de modelos de previsão de risco de crédito. Gestão e produção. São Carlos, SP. Vol. 16, n. 3 (jul./set. 2009), 398-413.
Stivanello, M. E., & Gomes, P. C. R. (2006). Inspeçao visual industrial automatizada por análise de forma com descritores de fourier e redes neurais artificiais. Anais do XV Seminco,
Siqueira-Batista, R., Gomes, A. P., Maia, P. M., Costa, I. T. D., Paiva, A. O. D., & Cerqueira, F. R. (2014). Modelos de tomada de decisão em bioética clínica: apontamentos para a abordagem computacional. Revista Bioética, 22(3), 456-461.
Santos, I. S., Ugá, M. A. D., & Porto, S. M. (2008). O mix público-privado no Sistema de Saúde Brasileiro: financiamento, oferta e utilização de serviços de saúde. Ciência & Saúde Coletiva, 13, 1431-1440.
Silva, M. O. (2015). Os programas de transferência de renda e a Pobreza no Brasil: superação ou regulação? Revista de Políticas Públicas, 9(1), 251-278.
Soares, F. V., Soares, S., Medeiros, M., & Osório, R. G. (2006). Programas de transferência de renda no Brasil: impactos sobre a desigualdade.
Slomski, V. (2001). Mensuração do resultado econômico nas entidades públicas: uma proposta. Argos.
Ventura, R. V., Silva, M. A., Medeiros, T. H., Dionello, N. L., Madalena, F. E., Fridrich, A. B., & Corrêa, G. S. S. (2012). Use of artificial neural networks in breeding values prediction for weight at 205 days in Tabapuã beef cattle. Arquivo Brasileiro de Medicina Veterinária e Zootecnia, 64(2), 411-418.
Zampieri, F. L. L. (2006). Modelo estimativo de movimento de pedestres baseado em sintaxe espacial, medidas de desempenho e redes neurais artificiais.
Zanetti, S. S., Sousa, E. F., Carvalho, D. F. D., & Bernardo, S. (2008). Estimação da evapotranspiração de referência no Estado do Rio de Janeiro usando redes neurais artificiais. Revista Brasileira de Engenharia Agrícola e Ambiental, 12(2), 174-180.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Kerla Fabiana Dias Cabral; Fábio Ribeiro Cerqueira; Rodrigo Siqueira -Batista; Marco Aurélio Marques Ferreira; Bruna Rodrigues de Freitas
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
1) Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2) Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
3) Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
