USO DO ALGORITMO "FLORESTA ALEATÓRIA" NA IDENTIFICAÇÃO DO COMPORTAMENTO DA POPULAÇÃO NA BUSCA POR SERVIÇOS DE SAÚDE APÓS O INÍCIO DA PANDEMIA DO NOVO CORONAVÍRUS
DOI:
https://doi.org/10.5380/atoz.v11i0.84017Palavras-chave:
Floresta Aleatória, Mineração de Dados, Covid-19, Tarefa de Classificação.Resumo
Introdução: A mineração de dados é uma das cinco etapas do Knowledge Discovery in Databases (KDD), ou Descoberta de Conhecimento em Banco de Dados, e pode ser aplicada em diversas áreas do conhecimento, incluindo a saúde. As preocupações e esforços com a saúde pública vêm ganhando maior relevância, uma vez que o mundo todo vem sofrendo com o enfrentamento da pandemia do novo coronavírus, principalmente em países subdesenvolvidos e em desenvolvimento, como é o caso do Brasil e outras nações do continente americano. Método: Visando contribuir para a área, o objetivo deste estudo foi aplicar um algoritmo classificador para identificar o comportamento da população na busca por serviços de saúde após o início da pandemia do novo coronavírus. A base de dados utilizada foi a Premise General Population Covid-19 Health Services Disruption Survey 2020, oriunda do projeto Covid-19 Health Services Disruption Survey 2020. Resultados: Utilizando o algoritmo Floresta Aleatória, obteve-se 87,5% de acurácia na classificação de pessoas que irão ou não recorrer a serviços de saúde em países americanos Conclusão: Verificou-se que atributos sociodemográficos foram importantes na identificação destas pessoas, principalmente a quantidade de moradores em uma residência, etnia, religião, situações empregatícia e financeira. O modelo desenvolvido e os resultados alcançados podem ser usados para auxiliar autoridades de países americanos no planejamento de políticas públicas de saúde.
Referências
Aggarwal, C.C. (2015) Data Classification in Data Mining. Springer, Cham, 285-344.
Amorim, B.S.P. (2019) et al. Uso de Aprendizado de Máquina para Classificação de Risco de Acidentes em Rodovia. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Campina Grande, Paraíba, Brasil.
Armocida, B. et al (2020). The Italian health system and the COVID-19 challenge. The Lancet Public Health, 5(5), 253.
Azambuja, C. R. C. D (2014). "Importância das medidas de gestão no controle da superlotação hospitalar."
Bramer, M. (2016). Data for data mining. In Principles of data mining. Springer, London, 9-19.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Dantas, D., Donadia, E. Comparação entre as técnicas de regressão logística, árvore de decisão, bagging e random forest aplicadas a um estudo de concessão de crédito. 2013. Trabalho de Conclusão de Curso (Graduação em Estatística) - Universidade Federal do Paraná, Curitiba, 2013. Retirado de http://www.coordest.ufpr.br/wp-content/uploads/2018/12/TCC_DanielEricson.pdf
Fayyad, U.M., Piatetsky-Shapiro, G., Smyth, P., Uthurusamy, R (1996). Advances in Knowledge Discovery & Data Mining.. American Association for Artificial Intelligence, Menlo Park, California, 1(1).
Ganz, N. B., Ares, A. E., & Kuna, H. D (2020). Predicting Dental Implant Failures By Integrating Multiple Classifiers. Revista de Ciencia y Tecnología: RECyT, 13-23.
Goldschmidt, R., Passos, E. & Bezerra, E. (2015). Data Mining. Elsevier Brasil.
Institute for Health Metrics and Evaluation (IHME), Bill and Melinda Gates Foundation (BMGF), Premise Data Corporation. Premise General Population COVID-19 Health Services Disruption Survey 2020. Seattle, United States of America: Institute for Health Metrics and Evaluation (IHME), 2020. Retirado de http://ghdx.healthdata.org/record/ihme-data/premise-general-population-covid-19-health-services-disruption-survey-2020
Larose, D.T, Larose, C.D (2014). Discovering knowledge in data: an introduction to data mining. John Wiley & Sons.
Nunes, L. S. D. A (2018). Identificação E Reconhecimento De Padrões De Consumo De Energia Elétrica.
Python Software Foundation (PSF). Python. (2021). Retirado de https://www.python.org/
Raschka, S. (2015). Python machine learning. Packt publishing ltd.
Rocha, D. S. C. (2018). Aprendizado De Máquina Aplicado Ao Reconhecimento Automático De Falhas Em Máquinas Rotativas.
Severino, M. K., Peng, Y (2021). Machine Learning Algorithms For Fraud Prediction In Property Insurance: Empirical Evidence Using Real-World Microdata. Machine Learning with Applications.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
A revista AtoZ é um periódico científico de acesso aberto e o copyright dos artigos e da entrevista pertence aos respectivos autores/entrevistados com cessão de direitos para a AtoZ no que diz respeito à inclusão do material publicado (revisado por pares/postprint) em sistemas/ferramentas de indexação, agregadores ou curadores de conteúdo.
Todo o conteúdo da Revista (incluindo-se instruções, política editorial e modelos) está sob uma licença Creative Commons Atribuição 4.0 Não Adaptada, a partir de Outubro de 2020.
Ao serem publicados por esta Revista, os artigos são de livre uso para compartilhar (copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial) e adaptar (remixar, transformar, e criar a partir do material para qualquer fim, mesmo que comercial). É preciso dar o crédito apropriado , prover um link para a licença e indicar se mudanças foram feitas .
A AtoZ não cobra qualquer tipo de taxa para submissão e/ou processamento e/ou publicação de artigos.
