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

Detalhes bibliográficos
Autor(a) principal: Ribeiro, Miriam Lecília Farias
Data de Publicação: 2022
Outros Autores: Cordeiro, Natália Moraes, Alves, Dâmocles Aurélio Nascimento da Silva
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

Registros relacionados