Para citar este trabalho use um dos padrões abaixo:
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.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo