MODELO DE PREVISÃO DA TENDÊNCIA DE EVOLUÇÃO DE CURVAS EPIDEMIOLÓGICAS

Objetivos: Propor um Modelo de Machine Learning capaz de prever a tendência de evolução das curvas epidemiológicas diárias de hospitalizações e óbitos por SRAG COVID-19 disponibilizadas pelo SIVEP-gripe, isto é, prever se as curvas estão tendendo a crescimento ou decrescimento. Metodologia: Para esse fim é utilizado um indicador simples, o sinal da diferença entre os dados no dia atual e os dados após T dias. Na aplicação do modelo são utilizados quatro algoritmos de classificação diferentes: LightGBM, Random Forest, Extra Trees, e XGBoost e os hiperparâmetros do modelo foram otimizados com a biblioteca FLAML, incluindo validação cruzada para evitar sobreajuste dos dados. Para gerar a previsão de tendência o modelo utiliza como dados de entrada as curvas de hospitalizações e óbitos por SRAG COVID-19 e suas diferenças de primeira ordem. Além disso, é utilizado um valor fixo de dias anteriores ao dia atual para prever a tendência em relação a esse dia. O modelo foi validado dividindo os dados disponíveis em dados para treino e para teste do modelo excluindo os últimos 30 dias (os quais, pelo atraso na notificação podem estar subnotificados). Resultados: O modelo foi aplicado para os dados do estado do Rio de Janeiro. Na previsão da tendência de evolução das hospitalizações ele obteve sensibilidade de 81% e especificidade de 76% (em relação a tendência de crescimento). Para os óbitos (em relação a tendência de crescimento) obtivemos sensibilidade e especificidade de 97%. Conclusões: O modelo se mostrou robusto e de rápido processamento na análise das curvas epidemiológicas.