Development of Logistic Regression Models for Binary Classification of Covid-19 and Statistical Prediction of Deaths

Authors

DOI:

https://doi.org/10.33448/rsd-v13i4.45446

Keywords:

Predictive analysis; Binary classification; Risk profile; Odds Ratio; Logistic regression.

Abstract

The present study aims to statistically research Covid-19 data to determine the profile greatest vulnerability of the disease, developing logistic regression models as a methodological strategy. Additionally, hypothesis testing, odds ratios and statistical prediction techniques are used to investigate the conditions of symptom exacerbation and to estimate the numbers of deaths and recoveries in different places. According to the results obtained from the multivariate models, it was defined that male individuals with pre-existing Hepatic, Neurological or Pneumopathy conditions represent the patients at greatest risk of death. Furthermore, a logistic regression model with a numerical independent variable was developed to predict the odds of belonging to the death class, thus determining the recovered and deceased cases. The model obtained positive results with significant accuracy in different municipalities and is available on the author's GitHub profile.

References

Albuquerque, H. A. de, Rocha, M. K., & Yamashita, G. H. A. (2022). Covid-19 e os Fatores que Influenciam a Probabilidade de Mortalidade: uma Análise de Regressão Logística com Dados do Sistema Único de Saúde do Brasil. LIV Simpósio Brasileiro de Pesquisa Operacional, 54(1), 1523.

Belsey, D. A., Kuh, E., & Welsch. R. E. (2013). Regression Diagnostics: identifying influential data and sources of collinearity. Nova Iorque: Wiley-Interscience, 10, 271.

Brasil. Governo de São Paulo. (2024). Cobertura Vacinal e Doses Aplicadas no Estado de São Paulo. Vacinômetro, <https://vacinaja.sp.gov.br/vacinometro/>. Acesso em: 14 de março de 2024.

Brasil. Governo de São Paulo. (2024). SEADE Coronavírus. SEADE. Disponível em: <https://coronavirus.seade.gov.br/>. Acesso em: 06 de março de 2024.

Carvalho, V. W. P. de, Cruz, S. S., Guedes, E. M., & Rabelo, D. F. (2023). Covid-19 e fatores associados em pessoas com 50 ou mais. Revista de Ciências Médicas e Biológicas, 22(1), 30-36. https://doi.org/10.9771/cmbio.v22i1.52476.

Carvalho, M. C. T., Jesus, B. M. B. de, Castro, V. L. de, Trindade, L. M. D. (2021). O impacto na qualidade de vida nos indivíduos pós Covid-19: O que mudou?. Research, Society and Development, 10(14), 1-17. http://dx.doi.org/10.33448/rsd-v10i14.21769.

Diniz, E. S., & Thiele, J. (2011). Modelos de Regressão em R. Santa Catarina: Clube de Autores, p. 112.

Gonzales, L. A. (2018). Regressão Logística e suas Aplicações. (Monografia de Graduação). Universidade Federal do Maranhão, Centro de Ciências Exatas e Tecnológicas, Curso de Graduação em Ciência da Computação, São Luís, MA.

Kerr, T. B. (2022). Espalhamento da Pandemia de Covid-19: Um Estudo Baseado na Regressão Logística Binária Múltipla e em Redes Neurais. (Monografia de Graduação). Universidade Federal de Uberlândia, Faculdade de Matemática, Curso de Bacharelado em Estatística, Uberlândia, MG.

Laureano, R. M. S. (2020). Testes de Hipóteses e Regressão: o meu manual de consulta rápida. Edições Sílabo, 216.

Martins, C. M., Gomes, R. Z. Muller, E. V., Borges. P. K. O., Coradassi, C. E., & Montiel, E. M. S. (2020). Predictive model for Covid-19 incidence in a médium-sized municipality in Brazizl (Ponta Grossa, Paraná). Texto & Contexto Enfermagem, 29. https://doi.org/10.1590/1980-265X-TCE-2020-0154

Nasri, A. L. X. G. (2023). Aplicação de Técnicas Estatísticas de Regressão para o Desenvolvimento de Modelos Matemáticos de Imputação de Valores Ausentes em Bancos de Dados. (Monografia de Graduação). Universidade Estácio de Sá, Centro de Engenharia e Matemática, Curso de Bacharelado em Matemática, Rio de Janeiro, RJ.

Nasri, A. L. X. G. (2024). Modelo Móvel de Previsão do Número de Óbitos de Covid-19. GitHub. Disponível em: <https://github.com/dedeluiznasri/movelo-movel-previsao-obitos-covid19>.

Pizzinga, A. (2019). Modelos de Regressão Para Variáveis Dependentes Nominais. Editora Prismas, p. 77.

Poloni, J. A. T., Jahnke, V. S., Rotta, L. N. (2020). Insuficiência renal aguda em pacientes com COVID-19. Revista Brasileira de Análises Clínicas, 52(2), 160-167.

Sansone, N. M. S., Valencise, F. E., Brendariol, R. F., Peixoto, A. O., & Marson, F. A. L. (2022). Profile of coronavírus disease enlightened asthma as a protective factor against death: An epidemiology study from Brazil during the pandemic. Frontiers in Medicine, 9, 01-17.

Santos, A. C. A., Fardin, L. P., & Neto, R. R. O. (2017). Testes de Hipótese em Análise de Regressão: testes de hipóteses para diferentes delineamentos, amostragens e modelos lineares e não lineares. Londres: Novas Edições Acadêmicas, 41.

Seber, G. A. F., Lee, A. J. (2003). Linear Reegression Analyssis. Nova Iorque: Wiley, 2, 493.

Silveira, M. B. G. da, Barbosa, N. F. M., Peixoto, A. P. B., Xavier, E. F. M., & Júnior, S. F. A. X. (2021). Aplicação da regressão logística na análise dos dados dos fatores de risco associados à hipertensão arterial. Research, Society and Development, 10(16), 1-18. http://dx.doi.org/10.33448/rsd-v10i16.22964.

Vasconcelos, F. F., & Moura, H. J. de. (2020). Elaboração de uma metodologia baseada em estatística para encaminhamento dos casos da COVID-19. Brazilian Journal of Public Administration, 54(5), 1417-1428. https://doi.org/10.1590/0034-761220200454.

Published

05/04/2024

How to Cite

NASRI, A. L. X. G. .; MASSET, G. G. . Development of Logistic Regression Models for Binary Classification of Covid-19 and Statistical Prediction of Deaths. Research, Society and Development, [S. l.], v. 13, n. 4, p. e0113445446, 2024. DOI: 10.33448/rsd-v13i4.45446. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/45446. Acesso em: 21 nov. 2024.

Issue

Section

Exact and Earth Sciences