Aplicação da modelagem preditiva via árvore de decisão nos casos de Síndrome Respiratória Aguda Grave (SRAG), com ênfase na Corona Virus Disease 2019 (COVID-19) no Brasil referente ao período de 2020 a 2022
DOI:
https://doi.org/10.33448/rsd-v11i15.36173Palavras-chave:
Árvore de decisão; COVID-19; Estatística; Previsão; SRAG.Resumo
A Síndrome Respiratória Aguda Grave (SRAG) abrange casos de Síndrome Gripal (SG) que evoluem com comprometimento da função respiratória o que, na maioria dos casos, leva à hospitalização. A pandemia provocada pela Corona Virus Disease (COVID-19) tornou-se o novo desafio mundial. Pacientes que apresentavam determinadas doenças crônicas tinham um prognóstico agravado quando eram apresentados ao novo Coronavírus. É imprescindível determinar os principais grupos de risco para qualquer doença, posto que facilita a tomada de decisão dos profissionais da saúde. Nesta pesquisa objetivou-se aplicar a modelagem preditiva via árvore de decisão (decision tree) para estimar a probabilidade do indivíduo que: tenha SRAG ser curado ou ir a óbito e tenha SRAG ser curado ou ir a óbito devido à contaminação e não contaminação por COVID-19, analisando por fim os resultados (casos registrados no Brasil). Essas informações ajudarão os profissionais da saúde a entender como cada comorbidade se comportou/a. Os principais resultados mostraram que o modelo proposto se ajusta bem, encontrando as seguintes porcentagens de sobrevivência: é melhor que o indivíduo que apresentou sintomas da SRAG tenha doença renal e asma do que não tenha comorbidade, pois a chance de cura é maior 7%; é melhor que o indivíduo que apresentou sintomas da SRAG devido à contaminação por COVID-19 tenha doença neurológica, cardiovascular e hematológica do que não tenha comorbidade, pois a chance de cura é maior 14% e por fim, o indivíduo que apresentou sintomas da SRAG, mas que não tenha sido contaminado por COVID-19 tem 75% chance de cura.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Miriam Lecília Farias Ribeiro; Natália Moraes Cordeiro; Dâmocles Aurélio Nascimento da Silva Alves
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
