Banca de DEFESA: JOSE MAURICIO MATAPI DA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : JOSE MAURICIO MATAPI DA SILVA
DATA : 13/09/2022
HORA: 10:00
LOCAL: Virtual
TÍTULO:

Efeitos potenciais da pandemia de COVID-19 sobre modelos de 
aprendizagem de máquina para predição de parto prematuro nas capitais 
Brasileiras

PALAVRAS-CHAVES:

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

PÁGINAS: 65
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 distribuições das 
variáveis contidas na base de dados, em comparação ao que foi utilizado 
para treinamento dos modelos. 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. Com destaque para o 
modelo Floresta Aleatória que obteve uma acurácia e AUC de 87%. Os demais 
modelos mantiveram uma média de acurácia acima de 70%; a média da precisão 
para todos os modelos se manteve acima dos 90%. Foi possível constatar que 
há uma estabilidade dos modelos, quando se é testado com dados do período 
de pandemia e não apresentou impactos expressivos nas variáveis nesse 
período.

MEMBROS DA BANCA:
Presidente - 2646068 - ADIEL TEIXEIRA DE ALMEIDA FILHO
Externa à Instituição - CRISTINE VIEIRA DO BONFIM - FJN
Interno - 1412012 - FERNANDO MACIANO DE PAULA NETO