Florestas Aleatórias de Sobrevivência e Modelos de Regressão para Análise de Dados de COVID-19 do DataSUS

Vol 1, 2023 - 166843
Apresentação de Pôster
Favoritar este trabalho
Como citar esse trabalho?
Resumo

Este trabalho teve como objetivo estudar os fatores que aumentam o risco de morte de pacientes hospitalizados diagnosticados com COVID-19 por meio de modelos flexíveis de regressão e florestas aleatórias de sobrevivência. Foram considerados dados epidemiológicos de pacientes internados com Síndrome Respiratória Aguda Grave (SRAG) por Covid-19, produzidos pelo sistema de informação em saúde. Os modelos de regressão utilizados são baseados em novas distribuições de probabilidade que são capazes de capturar diferentes formas de função de risco, ao contrário dos modelos mais comuns na literatura estatística. Alternativamente, os métodos de machine learning vem ganhando grande atenção na modelagem de dados, neste sentido, a metodologia das florestas aleatórias foi utilizada, que é livre de pressupostos, isto é, não depende de hipóteses restritivas, além de ser especialmente útil na análise de sobrevivência por fornecer regras de decisão, que são informações importantes para pesquisadores da área. Todos os modelos de regressão obtiveram desempenhos de predição semelhantes e foram ligeiramente melhores preditores do que as florestas aleatórias. Para propósitos inferenciais os modelos de regressão são recomendados pois podem fornecer informações muito mais completas quanto a relação entre as variáveis preditoras e a resposta.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Universidade de São Paulo / Escola Superior de Agricultura "Luiz de Queiroz"
Eixo Temático
  • Estimação e modelagem
Palavras-chave
Análise de Sobrevivência; Machine Learning; dados epidemiológicos; análise de resíduos