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
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Research, Society and Development |
Texto Completo: | https://rsdjournal.org/index.php/rsd/article/view/36173 |
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. |
id |
UNIFEI_2808f4c36801dd38117980fb656297d4 |
---|---|
oai_identifier_str |
oai:ojs.pkp.sfu.ca:article/36173 |
network_acronym_str |
UNIFEI |
network_name_str |
Research, Society and Development |
repository_id_str |
|
spelling |
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 2022Application of predictive modeling via decision tree in cases of Severe Acute Respiratory Syndrome (SARS), with emphasis on Corona Virus Disease 2019 (COVID-19) in Brazil for the period from 2020 to 2022Aplicación 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 2022Decision treeCOVID-19StatisticPredictionSARS.Árbol de decisónCOVID-19EstadísticaPredicciónSARS.Árvore de decisãoCOVID-19EstatísticaPrevisãoSRAG.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.Severe Acute Respiratory Syndrome (SARS) covers cases of Influenza Syndrome (GS) that evolve with compromised respiratory function which, in most cases, leads to hospitalization. The pandemic caused by the Corona Virus Disease (COVID-19) has become the new global challenge. Patients who had certain chronic diseases had a worse prognosis when they were introduced to the new coronavirus. It is essential to determine the main risk groups for any disease, since it facilitates the decision-making of health professionals. This research aimed to apply predictive modeling via decision tree to estimate the probability of the individual who: has SARS being cured or dying and has SARS being cured or dying due to contamination and not contamination by COVID -19, finally analyzing the results (cases registered in Brazil). This information will help healthcare professionals understand how each comorbidity behaved. The main results showed that the proposed model fits well, finding the following survival percentages: it is better for the individual who presented symptoms of SARS to have kidney disease and asthma than to have no comorbidity, as the chance of cure is 7% higher; it is better for the individual who presented symptoms of SARS due to contamination by COVID-19 to have neurological, cardiovascular and hematological disease than to have no comorbidity, as the chance of cure is 14% higher and, finally, the individual who presented symptoms of SARS , but who has not been infected by COVID-19 has a 75% chance of cure.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.Research, Society and Development2022-11-12info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://rsdjournal.org/index.php/rsd/article/view/3617310.33448/rsd-v11i15.36173Research, Society and Development; Vol. 11 No. 15; e01111536173Research, Society and Development; Vol. 11 Núm. 15; e01111536173Research, Society and Development; v. 11 n. 15; e011115361732525-3409reponame:Research, Society and Developmentinstname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEIporhttps://rsdjournal.org/index.php/rsd/article/view/36173/30831Copyright (c) 2022 Miriam Lecília Farias Ribeiro; Natália Moraes Cordeiro; Dâmocles Aurélio Nascimento da Silva Alveshttps://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessRibeiro, Miriam Lecília FariasCordeiro, Natália MoraesAlves, Dâmocles Aurélio Nascimento da Silva2022-11-27T19:56:23Zoai:ojs.pkp.sfu.ca:article/36173Revistahttps://rsdjournal.org/index.php/rsd/indexPUBhttps://rsdjournal.org/index.php/rsd/oairsd.articles@gmail.com2525-34092525-3409opendoar:2024-01-17T09:50:49.016278Research, Society and Development - Universidade Federal de Itajubá (UNIFEI)false |
dc.title.none.fl_str_mv |
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 Application of predictive modeling via decision tree in cases of Severe Acute Respiratory Syndrome (SARS), with emphasis on Corona Virus Disease 2019 (COVID-19) in Brazil for the period from 2020 to 2022 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 |
title |
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 |
spellingShingle |
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 Ribeiro, Miriam Lecília Farias Decision tree COVID-19 Statistic Prediction SARS. Árbol de decisón COVID-19 Estadística Predicción SARS. Árvore de decisão COVID-19 Estatística Previsão SRAG. |
title_short |
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 |
title_full |
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 |
title_fullStr |
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 |
title_full_unstemmed |
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 |
title_sort |
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 |
author |
Ribeiro, Miriam Lecília Farias |
author_facet |
Ribeiro, Miriam Lecília Farias Cordeiro, Natália Moraes Alves, Dâmocles Aurélio Nascimento da Silva |
author_role |
author |
author2 |
Cordeiro, Natália Moraes Alves, Dâmocles Aurélio Nascimento da Silva |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Ribeiro, Miriam Lecília Farias Cordeiro, Natália Moraes Alves, Dâmocles Aurélio Nascimento da Silva |
dc.subject.por.fl_str_mv |
Decision tree COVID-19 Statistic Prediction SARS. Árbol de decisón COVID-19 Estadística Predicción SARS. Árvore de decisão COVID-19 Estatística Previsão SRAG. |
topic |
Decision tree COVID-19 Statistic Prediction SARS. Árbol de decisón COVID-19 Estadística Predicción SARS. Árvore de decisão COVID-19 Estatística Previsão SRAG. |
description |
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. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-11-12 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://rsdjournal.org/index.php/rsd/article/view/36173 10.33448/rsd-v11i15.36173 |
url |
https://rsdjournal.org/index.php/rsd/article/view/36173 |
identifier_str_mv |
10.33448/rsd-v11i15.36173 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://rsdjournal.org/index.php/rsd/article/view/36173/30831 |
dc.rights.driver.fl_str_mv |
https://creativecommons.org/licenses/by/4.0 info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by/4.0 |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Research, Society and Development |
publisher.none.fl_str_mv |
Research, Society and Development |
dc.source.none.fl_str_mv |
Research, Society and Development; Vol. 11 No. 15; e01111536173 Research, Society and Development; Vol. 11 Núm. 15; e01111536173 Research, Society and Development; v. 11 n. 15; e01111536173 2525-3409 reponame:Research, Society and Development instname:Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
instname_str |
Universidade Federal de Itajubá (UNIFEI) |
instacron_str |
UNIFEI |
institution |
UNIFEI |
reponame_str |
Research, Society and Development |
collection |
Research, Society and Development |
repository.name.fl_str_mv |
Research, Society and Development - Universidade Federal de Itajubá (UNIFEI) |
repository.mail.fl_str_mv |
rsd.articles@gmail.com |
_version_ |
1797052726542073856 |