Banca de QUALIFICAÇÃO: JULLIANA CAROLINE GONÇALVES DE ARAÚJO SILVA MARQUES

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : JULLIANA CAROLINE GONÇALVES DE ARAÚJO SILVA MARQUES
DATA : 13/12/2024
HORA: 10:00
LOCAL: Online
TÍTULO:

Explorando Dinamicas de Sintomas de COVID-19 com Machine Learning: Uma Analise de Dois Anos de Casos no Brasil

PALAVRAS-CHAVES:

COVID-19, sintomas, aprendizado de máquina, $t$-sne, apriori, xgboost, inteligência artificial explicável

PÁGINAS: 93
RESUMO:

O reconhecimento eficiente de sintomas em infecções virais tem grande potencial para diagnósticos rápidos e precisos, o que pode mitigar complicações de saúde e reduzir a probabilidade de surtos recorrentes. Apesar da Organização Mundial da Saúde (OMS) declarar oficialmente o fim da emergência de saúde pública, a COVID-19 continua afetando populações globalmente. Diagnosticar a COVID-19 continua desafiador devido aos seus sintomas frequentemente se assemelharem aos de outras infecções virais, particularmente outras cepas de SARS, dificultando a identificação de padrões de sintomas distintos e significativos à medida que evoluem. Nesse contexto, as técnicas de Machine Learning (ML) oferecem uma solução poderosa para analisar esses padrões. Este estudo propõe uma abordagem baseada em machine learning para analisar as mudanças nos padrões de sintomas predominantes da COVID-19 ao longo do tempo e avaliar como essas mudanças influenciaram a caracterização da doença durante os dois primeiros anos da pandemia no Brasil. Usando o conjunto de dados da Síndrome Respiratória Aguda Grave Brasileira de São Paulo, comparamos dados de sintomas de SARS-CoV-2 e casos de SARS não especificados rotulados. Os sintomas foram examinados visualmente para padrões emergentes usando a técnica de redução de dimensionalidade t-SNE. Subsequentemente, associações entre conjuntos de sintomas prevalentes de casos confirmados de SARS-CoV-2 e casos não especificados de SARS foram analisadas usando a técnica de mineração de regras de associação Apriori. Além disso, avaliamos o desempenho de classificação do algoritmo XGBoost usando duas estratégias de treinamento-teste baseadas em tempo. Para explicar melhor o impacto das mudanças de sintomas nas previsões do modelo, a importância do recurso foi avaliada usando SHAP, uma técnica de IA explicável (xAI).

MEMBROS DA BANCA:
Presidente - 2177445 - BRUNO MOTTA DE CARVALHO
Interna - 1350250 - ANNE MAGALY DE PAULA CANUTO
Interna - 2524467 - MARJORY CRISTIANY DA COSTA ABREU
Externo ao Programa - 1153006 - LUIZ AFFONSO HENDERSON GUEDES DE OLIVEIRA - UFRNExterno à Instituição - ARAKEN DE MEDEIROS SANTOS - UFERSA