Aplicación de Modelado Predictivo Vía Árbol de Decisión en casos de Síndrome Respiratorio Agudo Severo (SRAG), con énfasis en la Enfermedad por Corona Virus 2019 (COVID-19) en Brasil para el período de 2020 a 2022
DOI:
https://doi.org/10.33448/rsd-v11i15.36173Palabras clave:
Árbol de decisón; COVID-19; Estadística; Predicción; SARS.Resumen
El Síndrome Respiratorio Agudo Severo (SARS) cubre los casos de Síndrome Influenza (SG) que evolucionan con compromiso de la función respiratoria que, en la mayoría de los casos, conduce a la hospitalización. La pandemia provocada por la Enfermedad del Corona Virus (COVID-19) se ha convertido en el nuevo reto mundial. Los pacientes que tenían ciertas enfermedades crónicas tenían un peor pronóstico cuando se les presentó el nuevo coronavirus. Es fundamental determinar los principales grupos de riesgo de cualquier enfermedad, ya que facilita la toma de decisiones de los profesionales sanitarios. Esta investigación tuvo como objetivo aplicar modelos predictivos vía árbol de decisión para estimar la probabilidad de que el individuo que: tiene SARS se cure o muera y tenga SARS se cure o muera por contaminación y no contaminación por COVID-19, analizando finalmente los resultados (casos registrados en Brasil). Esta información ayudará a los profesionales de la salud a comprender cómo se comportó cada comorbilidad. Los principales resultados mostraron que el modelo propuesto se ajusta bien, encontrando los siguientes porcentajes de supervivencia: es mejor que el individuo que presentó síntomas de SARS tenga enfermedad renal y asma que no tener comorbilidad, ya que la probabilidad de curación es un 7% mayor; es mejor que el individuo que presentó síntomas de SARS por contaminación por COVID-19 tenga enfermedad neurológica, cardiovascular y hematológica que no tener comorbilidad, ya que la probabilidad de curación es un 14% mayor y, finalmente, el individuo que presentó síntomas del SARS, pero quien no ha sido infectado por COVID-19 tiene un 75% de posibilidades de curación.
Citas
Albuquerque, M. A., Lucena, S. L. L., & Barros, K. N. N. O. (2020). Comparação de modelo clássico e Bayesiano para dados de óbitos perinatais no ISEA, Campina Grande - PB. Research, Society and Developmen, 9(8), e464985477. https://doi.org/10.33448/rsd-v9i8.5477
Alves, D. A. N. S., Nascimento, G. I. L. A., Castanha, E. R., Luna, J. E. L., Sobral, E. F. M., Brandão, W. A., Moreira, K. A., Mendes, J. S., Cunha Filho, M., Barros, D. M. & Falcão, R. E. A. (2020). Prevalência de comorbidades na Síndrome Respiratória Aguda Grave em pacientes com COVID-19 e outros agentes infecciosos. Research, Society and Development, 9(11), e70791110286. https://doi.org/10.33448/rsd-v9i11.10286
Brasil. (2022). Dicionário de dados. Ministério da Saúde. Secretária de Vigilância em Saúde. Sistema de Informação de Vigilância Epidemiológica da Gripe. https://s3.sa-east-1.amazonaws.com/ckan.saude.gov.br/SRAG/pdfs/dicionario_de_dados_srag_hosp_17_02_2022.pdf
Brasil. (2020). Protocolo de Manejo Clínico. Ministério da Saúde. Brasília, DF. https://www.saude.ms.gov.br/wp-content/uploads/2020/03/Protocolo-Manejo-Clinico_APS_versao04.pdf
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. CRC Press.
Burman, P. (1989). A comparative study of ordinary cross-validation, v-fold cross-validation and the repeated learning-testing methods. Biometrika, 76 (3), 503-514.
DataSUS. (2022). Ministério da Saúde. SRAG - Banco de Dados de Síndrome Respiratória Aguda Grave - incluindo dados da COVID-19. OpenDataSUS. https://opendatasus.saude.gov.br/dataset/srag-2021-e-2022
Freitag, V. L., Antonio, M. G. D., Loureiro, L. H., & Pereira, R. M. S. (2021). COVID 19 e a propagação de fake news sobre a contaminação pelo dióxido de carbono com o uso de máscaras faciais: Um estudo de reflexão. Research, Society and Developmen, 10(10), e104101018696. https://doi.org/10.33448/rsd-v10i10.18696
Grochtmann, M., & Grimm, K. (1993). Classification trees for partition testing. Software Testing, Verification and Reliability, 3 (2), 63-82.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. Springer.
Loh, W. Y. (2011). Classification and regression trees. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1 (1), 14-23.
Moisen, G. G. (2008). Classification and regression trees. In: Jørgensen, Sven Erik; Fath, Brian D. (Editor-in-Chief). Encyclopedia of Ecology, volume 1. Oxford, UK: Elsevier. 582-588., 582-588.
R Core Team. (2022). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna.
Ragsdale, C. T. (2001). Spreadsheet modeling and decision analysis: a practical introduction to management science. Cengage Learning.
Rokach, L., & Maimon, O. (2005). Top-down induction of decision trees classifiers-a survey. IEEE Transactions on Systems, Man, and Cybernetics, Part Applications and Reviews), 35(4), 476-487.
Samperi, R. H., Collado, C. F., & Lucio, M. del P. B. (2013). Metodologia Científica. AMGH Editora.
Vogado, L. H., Veras, R. M., Araujo, F. H., Silva, R. R., & Aires, K. R. (2019). Rede Neural Convolucional para o Diagnóstico de Leucemia. In Anais Principais do XIX Simpósio Brasileiro de Computação Aplicada à Saúde, 46-57.
Wilkinson, L. (2004). Classification and regression trees. Systat, 11, 35-56.
Yang, J., Zheng, Y., Gou, X., Pu, K., Chen, Z., Guo, Q., Ji, R., Wang, H., Wang, Y., & Zhou, Y. (2020). Prevalence of comorbidities and its effects in patients infected with SARS-CoV-2: a systematic review and meta-analysis. International Journal of Infectious Diseases: IJID: official publication of the International Society for Infectious Diseases, 94, 91–95.
Zhou,F., Yu,T., Du,R., Fan,G., Liu,Y., Liu,Z., Xiang,J., Wang,Y., Song,B., Gu,X., Guan,L., Wei,Y., Li,H., Wu,X., Xu,J., Tu,S., Zhang,Y., Chen,H., & Cao,B. (2020). Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. doi: 10.1016/S0140-6736(20)30566-3.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Miriam Lecília Farias Ribeiro; Natália Moraes Cordeiro; Dâmocles Aurélio Nascimento da Silva Alves
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
