Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo

Detalhes bibliográficos
Autor(a) principal: Aguirre Rodríguez, Elias Carlos
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: https://hdl.handle.net/11449/254758
http://lattes.cnpq.br/0593292995955419
https://orcid.org/0000-0003-1120-1708
Resumo: O parto prematuro ocorre antes da 37a semana de gestação, apresentando um risco elevado de complicações físicas e neuropsicomotoras nos recém-nascidos, sendo considerado a principal causa de mortalidade neonatal. Em consonância com um dos Objetivos de Desenvolvimento Sustentável (ODS) voltados à Saúde e Bem-Estar, que visa reduzir a mortalidade neonatal até 2030, a aplicação de ferramentas tecnológicas, como o Aprendizado de Máquina, pode oferecer suporte na assistência médica e na tomada de decisões. Dessa forma, esta pesquisa tem como objetivo aplicar técnicas de aprendizado de máquina para identificar mães com risco de parto prematuro, utilizando dados do município de São Paulo no período de 2015 a 2019. Este trabalho pode ser classificado como uma pesquisa aplicada com objetivos empírico-normativos, sua abordagem é quantitativa, utilizando o método de pesquisa de modelagem e simulação. Foram utilizados dados do Departamento de Informática do Sistema Único de Saúde – DATASUS, especificamente registros da declaração de nascidos vivos. A análise baseou-se na abordagem de regressão para estimar a duração da gestação (idade gestacional), considerando informações maternas e da gestação atual ou anterior e utilizando métodos como Regressão Linear, Árvore de Decisão, Floresta Aleatória, Gradient Bossting, e Extreme Gradient Boosting. Os modelos foram validados internamente com validação cruzada de 10-Fold e foi utilizada técnica Random Search para encontrar a melhor combinação de hiperparâmetros. Como resultado, o modelo de Gradient Boosting destacou-se como o melhor, apresentando bons resultados nas diferentes métricas de desempenho, com valores de EMA = 1,186, EQM = 2,833, REQM = 1,683, e EPAM = 3,182. Concluindo, o modelo de regressão demonstrou bom desempenho, evidenciando que as técnicas de aprendizado de máquina são ferramentas eficazes na área da saúde. Elas permitem que os especialistas tomem decisões oportunas em relação à identificação de nascimentos prematuros, contribuindo para a implementação de medidas de controle e, consequentemente, para a redução das taxas de mortalidade neonatal, em conformidade com os ODS.
id UNSP_ad0c67f115d899fa5ccc1afca0386eef
oai_identifier_str oai:repositorio.unesp.br:11449/254758
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São PauloApplication of machine learning techniques for identifying mothers at risk of premature birth in the city of São PauloAprendizado de MáquinaNascimento prematuroAssistência PerinatalSaúde materno-infantilTomada de DecisõesPrematurosAprendizado do computadorProcesso decisórioMachine LearningPremature BirthPerinatal CareMaternal and Child HealthDecision MakingO parto prematuro ocorre antes da 37a semana de gestação, apresentando um risco elevado de complicações físicas e neuropsicomotoras nos recém-nascidos, sendo considerado a principal causa de mortalidade neonatal. Em consonância com um dos Objetivos de Desenvolvimento Sustentável (ODS) voltados à Saúde e Bem-Estar, que visa reduzir a mortalidade neonatal até 2030, a aplicação de ferramentas tecnológicas, como o Aprendizado de Máquina, pode oferecer suporte na assistência médica e na tomada de decisões. Dessa forma, esta pesquisa tem como objetivo aplicar técnicas de aprendizado de máquina para identificar mães com risco de parto prematuro, utilizando dados do município de São Paulo no período de 2015 a 2019. Este trabalho pode ser classificado como uma pesquisa aplicada com objetivos empírico-normativos, sua abordagem é quantitativa, utilizando o método de pesquisa de modelagem e simulação. Foram utilizados dados do Departamento de Informática do Sistema Único de Saúde – DATASUS, especificamente registros da declaração de nascidos vivos. A análise baseou-se na abordagem de regressão para estimar a duração da gestação (idade gestacional), considerando informações maternas e da gestação atual ou anterior e utilizando métodos como Regressão Linear, Árvore de Decisão, Floresta Aleatória, Gradient Bossting, e Extreme Gradient Boosting. Os modelos foram validados internamente com validação cruzada de 10-Fold e foi utilizada técnica Random Search para encontrar a melhor combinação de hiperparâmetros. Como resultado, o modelo de Gradient Boosting destacou-se como o melhor, apresentando bons resultados nas diferentes métricas de desempenho, com valores de EMA = 1,186, EQM = 2,833, REQM = 1,683, e EPAM = 3,182. Concluindo, o modelo de regressão demonstrou bom desempenho, evidenciando que as técnicas de aprendizado de máquina são ferramentas eficazes na área da saúde. Elas permitem que os especialistas tomem decisões oportunas em relação à identificação de nascimentos prematuros, contribuindo para a implementação de medidas de controle e, consequentemente, para a redução das taxas de mortalidade neonatal, em conformidade com os ODS.The premature birth occurs before the 37th week of gestation, presenting a high risk of physical and neuropsychomotor complications in newborns, being considered the main cause of neonatal mortality. In line with one of the Sustainable Development Goals (SDGs) related to Health and Well-being, aiming to reduce neonatal mortality by 2030, the application of technological tools, such as Machine Learning, can provide support in medical care and decision-making. Thus, this research aims to apply machine learning techniques to identify mothers at risk of premature birth, using data from the municipality of São Paulo from 2015 to 2019. This work can be classified as applied research with empirical-normative objectives, its approach is quantitative, using the research method of modeling and simulation. Data from the Department of Informatics of the Unified Health System - DATASUS were used, specifically records of live births. The analysis was based on the regression approach to estimate the duration of gestation (gestational age), considering maternal information and current or previous pregnancy and using methods such as Linear Regression, Decision Tree, Random Forest, Gradient Boosting, and Extreme Gradient Boosting. The models were internally validated with 10-Fold cross-validation, and the Random Search technique was used to find the best combination of hyperparameters. As a result, the Gradient Boosting model stood out as the best, showing good results in different performance metrics, with values of MAE = 1.186, MSE = 2.833, RMSE = 1.683, and MAPE = 3.182. In conclusion, the regression model demonstrated good performance, highlighting that machine learning techniques are effective tools in the field of health. They allow specialists to make timely decisions regarding the identification of premature births, contributing to the implementation of control measures and, consequently, the reduction of neonatal mortality rates, in accordance with the SDGs.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)001Universidade Estadual Paulista (Unesp)Marins, Fernando Augusto SilvaNascimento, Luiz Fernando Costada Silva, Aneirson FranciscoAguirre Rodríguez, Elias Carlos2024-03-26T18:07:23Z2024-03-26T18:07:23Z2023-11-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfAGUIRRE RODRÍGUEZ, Elias Carlos. Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo. Orientador: Orientador: Fernando Augusto Silva Marins;. 2023. Dissertação (Mestrado em Engenharia) – Faculdade de Engenharia e Ciências de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá, 2023.https://hdl.handle.net/11449/254758http://lattes.cnpq.br/0593292995955419https://orcid.org/0000-0003-1120-1708porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-03-27T06:05:05Zoai:repositorio.unesp.br:11449/254758Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T15:30:23.995009Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo
Application of machine learning techniques for identifying mothers at risk of premature birth in the city of São Paulo
title Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo
spellingShingle Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo
Aguirre Rodríguez, Elias Carlos
Aprendizado de Máquina
Nascimento prematuro
Assistência Perinatal
Saúde materno-infantil
Tomada de Decisões
Prematuros
Aprendizado do computador
Processo decisório
Machine Learning
Premature Birth
Perinatal Care
Maternal and Child Health
Decision Making
title_short Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo
title_full Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo
title_fullStr Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo
title_full_unstemmed Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo
title_sort Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo
author Aguirre Rodríguez, Elias Carlos
author_facet Aguirre Rodríguez, Elias Carlos
author_role author
dc.contributor.none.fl_str_mv Marins, Fernando Augusto Silva
Nascimento, Luiz Fernando Costa
da Silva, Aneirson Francisco
dc.contributor.author.fl_str_mv Aguirre Rodríguez, Elias Carlos
dc.subject.por.fl_str_mv Aprendizado de Máquina
Nascimento prematuro
Assistência Perinatal
Saúde materno-infantil
Tomada de Decisões
Prematuros
Aprendizado do computador
Processo decisório
Machine Learning
Premature Birth
Perinatal Care
Maternal and Child Health
Decision Making
topic Aprendizado de Máquina
Nascimento prematuro
Assistência Perinatal
Saúde materno-infantil
Tomada de Decisões
Prematuros
Aprendizado do computador
Processo decisório
Machine Learning
Premature Birth
Perinatal Care
Maternal and Child Health
Decision Making
description O parto prematuro ocorre antes da 37a semana de gestação, apresentando um risco elevado de complicações físicas e neuropsicomotoras nos recém-nascidos, sendo considerado a principal causa de mortalidade neonatal. Em consonância com um dos Objetivos de Desenvolvimento Sustentável (ODS) voltados à Saúde e Bem-Estar, que visa reduzir a mortalidade neonatal até 2030, a aplicação de ferramentas tecnológicas, como o Aprendizado de Máquina, pode oferecer suporte na assistência médica e na tomada de decisões. Dessa forma, esta pesquisa tem como objetivo aplicar técnicas de aprendizado de máquina para identificar mães com risco de parto prematuro, utilizando dados do município de São Paulo no período de 2015 a 2019. Este trabalho pode ser classificado como uma pesquisa aplicada com objetivos empírico-normativos, sua abordagem é quantitativa, utilizando o método de pesquisa de modelagem e simulação. Foram utilizados dados do Departamento de Informática do Sistema Único de Saúde – DATASUS, especificamente registros da declaração de nascidos vivos. A análise baseou-se na abordagem de regressão para estimar a duração da gestação (idade gestacional), considerando informações maternas e da gestação atual ou anterior e utilizando métodos como Regressão Linear, Árvore de Decisão, Floresta Aleatória, Gradient Bossting, e Extreme Gradient Boosting. Os modelos foram validados internamente com validação cruzada de 10-Fold e foi utilizada técnica Random Search para encontrar a melhor combinação de hiperparâmetros. Como resultado, o modelo de Gradient Boosting destacou-se como o melhor, apresentando bons resultados nas diferentes métricas de desempenho, com valores de EMA = 1,186, EQM = 2,833, REQM = 1,683, e EPAM = 3,182. Concluindo, o modelo de regressão demonstrou bom desempenho, evidenciando que as técnicas de aprendizado de máquina são ferramentas eficazes na área da saúde. Elas permitem que os especialistas tomem decisões oportunas em relação à identificação de nascimentos prematuros, contribuindo para a implementação de medidas de controle e, consequentemente, para a redução das taxas de mortalidade neonatal, em conformidade com os ODS.
publishDate 2023
dc.date.none.fl_str_mv 2023-11-09
2024-03-26T18:07:23Z
2024-03-26T18:07:23Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv AGUIRRE RODRÍGUEZ, Elias Carlos. Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo. Orientador: Orientador: Fernando Augusto Silva Marins;. 2023. Dissertação (Mestrado em Engenharia) – Faculdade de Engenharia e Ciências de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá, 2023.
https://hdl.handle.net/11449/254758
http://lattes.cnpq.br/0593292995955419
https://orcid.org/0000-0003-1120-1708
identifier_str_mv AGUIRRE RODRÍGUEZ, Elias Carlos. Aplicação de técnicas de aprendizado de máquina para a identificação de mães com risco de parto prematuro na cidade de São Paulo. Orientador: Orientador: Fernando Augusto Silva Marins;. 2023. Dissertação (Mestrado em Engenharia) – Faculdade de Engenharia e Ciências de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá, 2023.
url https://hdl.handle.net/11449/254758
http://lattes.cnpq.br/0593292995955419
https://orcid.org/0000-0003-1120-1708
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1808128523342184448