Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado  Nº 2.053


Aluno: José Maurício Matapi da Silva
Orientador: Prof. Fernando Maciano de Paula Neto
Título: Efeitos potenciais da pandemia de COVID-19 sobre modelos de 
aprendizagem de máquina para predição de parto prematuro nas capitais 
Brasileiras
Data: 13/09/2022
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Adiel Teixeira De Almeida Filho  (UFPE / Centro de Informática)
Prof. Cristine Vieira do Bonfim (Fundação Joaquim Nabuco / Instituto de Pesquisas Socias)
Prof. Fernando Maciano de Paula Neto (UFPE / Centro de Informática)


RESUMO:

O parto prematuro é o que ocorre antes de 37 semanas de gestação, sendo considerado um problema de saúde global, e ainda uma das principais causas de mortes em bebês e crianças menores de cinco anos de idade. A taxa de parto prematuro pode variar de acordo com a região geográfica e nível de renda, mantendo uma maior frequência de ocorrência em países subdesenvolvidos. Nos países desenvolvidos, ele é amplamente avaliado como forma de compreender as causas e na criação de ações preventivas. Nesta pesquisa, foi proposta a utilização de algoritmos de aprendizado de máquina para predição de parto prematuro em gravidez única, utilizando dados das capitais brasileiras. Foi verificado se os dois primeiros anos da pandemia COVID-19 trouxeram impactos significativos para as estimativas dos modelos testados, em comparação ao que foi constatado na base de treinamento. Foram utilizados 6 classificadores de aprendizagem de máquina: Árvore de Decisão, Floresta Aleatória, Regressão Logística, Adaptive Boosting, Análise de Discriminante Linear e Rede Neural do tipo Multi-layer Perceptron, analisando as métricas de acurácia, precisão, revocação, F1-SCORE e área sobre a curva ROC. Portanto, com o processamento desses resultados, foi possível verificar a predição de parto prematuro com dados secundários no período de pandemia. A AUC dos modelos na base de validação variou de 0,7052 a 0,7729 (base sem balanceamento) e de 0,7199 a 0,7717 (base com balanceamento). Os resultados demonstraram que a COVID-19 impactou os modelos de Regressão logística, Análise discriminante linear e Multilayer perceptron (os quais são considerados estáveis), enquanto que os modelos baseados em árvore (Adaboost, Floresta aleatória e Árvore de decisão) não apresentam boa aderência à base de treino, devendo ser utilizados com cautela ou desconsiderados.


Palavras-chave: Parto prematuro, Saúde, Inteligência artificial, 
Aprendizado de máquina, COVID-19

Comentários desativados