Journal Information
Vol. 27. Issue S1.
XXIII Congresso Brasileiro de Infectologia
(October 2023)
Share
Share
Download PDF
More article options
Vol. 27. Issue S1.
XXIII Congresso Brasileiro de Infectologia
(October 2023)
Full text access
CAPACIDADE PREDITIVA DO MODELO RANDOM FOREST PARA ÓBITO EM PACIENTES COM COVID-19: UMA ANÁLISE DE DADOS NO CONTEXTO DA PANDEMIA
Visits
777
Victor Hugo Ovani Marchetti
Corresponding author
victormarchetti.51@gmail.com

Corresponding author.
, Maria Eugênia Pedruzzi Dalmaschio, Tatiani Bellettini dos Santos, Eduardo Toffoli Pandini
Centro Universitário do Espírito Santo (UNESC), Colatina, ES, Brasil
This item has received
Article information
Special issue
This article is part of special issue:
Vol. 27. Issue S1

XXIII Congresso Brasileiro de Infectologia

More info

O uso do machine learning foi impulsionado pela pandemia de COVID-19 para enfrentar desafios na saúde pública, auxiliando na detecção de casos, grupos de risco e desenvolvimento de modelos preditivos, fornecendo informações valiosas para controlar e prevenir a propagação da doença. O objetivo desse estudo é avaliar a capacidade preditiva de um modelo randomForest acerca do óbito em pacientes com diagnóstico confirmado para Covid-19. Este é um estudo transversal que utilizou dados de casos notificados no E-SUS VS do Espírito Santo de janeiro de 2020 a outubro de 2022. Foi criado um modelo Random Forest usando 70% dos dados para treinamento, com downsampling da classe majoritária. As previsões foram feitas no conjunto de teste e avaliadas usando tabela 2 × 2. O estudo fornece informações sobre as características associadas ao óbito e a capacidade do modelo de prever corretamente esses casos. No estudo, 111.024 pacientes foram randomizados para o grupo teste e 259.053 para o grupo treino, sendo reduzido para 7.766 após downsampling. As previsões do modelo resultaram em 90.644 verdadeiros negativos e 1.389 verdadeiros positivos, com 294 falsos positivos e 18.690 falsos negativos. A sensibilidade do modelo foi de 82,5%, indicando sua capacidade de identificar corretamente os casos de óbito. A especificidade foi de 82,9%, evidenciando a habilidade de classificar corretamente os casos de não óbito. A acurácia geral do modelo foi de 83,9%. O valor preditivo positivo foi de 6,9%, o que significa que das previsões de óbito, apenas 6,9% eram corretas. Por outro lado, o valor preditivo negativo foi de 99,7%, indicando a alta precisão das previsões de não óbito. Esses resultados demonstram um desempenho satisfatório do modelo na identificação precisa dos casos de óbito, com alta especificidade e acurácia geral. O modelo identificou corretamente dos casos de óbito, com sensibilidade de 82,5% e especificidade de 82,9%. A acurácia geral do modelo foi de 83,9%, indicando um desempenho consistente na classificação geral dos pacientes. No entanto, o valor preditivo positivo foi baixo, indicando que uma proporção relativamente pequena das previsões de óbito foi realmente correta, principalmente devido à baixa proporção de óbitos na amostra. O valor preditivo negativo foi alto, o que demonstra a confiabilidade das previsões de não óbito. Embora o modelo seja importante na identificação de casos de óbito, é necessário melhorar sua precisão na previsão dos casos positivos.

Palavras-chave:
COVID-19 Aprendizado de Máquina Supervisionado Saúde Pública
Full text is only aviable in PDF
Download PDF
The Brazilian Journal of Infectious Diseases
Article options
Tools