Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6553
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorGertrudes, Jadson Castropt_BR
dc.contributor.advisorVital, Wendel Courapt_BR
dc.contributor.authorRibeiro, Lucas Moreira-
dc.date.accessioned2024-02-28T13:24:26Z-
dc.date.available2024-02-28T13:24:26Z-
dc.date.issued2024pt_BR
dc.identifier.citationRIBEIRO, Lucas Moreira. Predição das taxas de incidência de leishmaniose visceral utilizando algoritmos de aprendizado de máquina. 2024. 51 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/6553-
dc.description.abstractA Leishmaniose Visceral representa uma doença tropical negligenciada, registrando anualmente entre 50.000 e 90.000 novos casos em todo o mundo. Originalmente concebida como uma enfermidade predominantemente rural, essa condição evoluiu devido à urbanização e à adaptação bem-sucedida do vetor ao ambiente doméstico, emergindo agora também em grandes centros urbanos. Atualmente, várias cidades de médio e grande porte são consideradas endêmicas para essa enfermidade. Diversos fatores estão impulsionando a disseminação da doença, incluindo elementos como temperatura, precipitação, umidade, desmatamento, urbanização e condições socioeconômicas, entre outros. Com esse cenário em mente, o presente estudo utilizou dois modelos de aprendizado de maquina, um modelo de rede neural profunda, o Long Short Term Memory (LSTM) e o Extreme Gradient Boosting (XGBoost) para prever a incidência de Leishmaniose Visceral a partir de series temporais de incidência e variáveis socioeconômicas dos municípios. Os resultados do modelo XGBoost foram insatisfatórios, apresentando um coeficiente de determinação (R2 ) de −0, 27. Em contrapartida, o modelo LSTM mostrou-se promissor, com um R2 de 0, 231. Apesar de parecer baixo em primeira análise, esse valor é significativo, considerando as complexas características da doença e o emprego de um modelo com variáveis limitadas. O Erro Percentual Absoluto Médio (MAPE) do LSTM foi de 1,73%, evidenciando um baixo nível de erro nas predições. É importante notar que grande parte das observações de incidência era nula. Essa predominância de valores nulos pode ter influenciado o modelo a prever incidências mais baixas, sendo um ponto a ser considerado na interpretação dos resultados.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectRedes neurais -computaçãopt_BR
dc.subjectAprendizado de computadorpt_BR
dc.subjectEpidemiologiapt_BR
dc.subjectLeishmaniose Visceralpt_BR
dc.subjectInteligência artificialpt_BR
dc.titlePredição das taxas de incidência de leishmaniose visceral utilizando algoritmos de aprendizado de máquina.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeSilva, Pedro Henrique Lopespt_BR
dc.contributor.refereeZiviani, Hugo Eduardopt_BR
dc.contributor.refereeVital, Wendel Courapt_BR
dc.contributor.refereeGertrudes, Jadson Castropt_BR
dc.description.abstractenVisceral leishmaniasis is a neglected tropical disease, with between 50,000 and 90,000 new cases worldwide every year. Originally conceived as a predominantly rural disease, this condition has evolved due to urbanization and the successful adaptation of the vector to the domestic environment, now also emerging in large urban centers. Currently, several medium-sized and large cities are considered endemic for this disease. Several factors are driving the spread of the disease, including elements such as temperature, rainfall, humidity, deforestation, urbanization and socioeconomic conditions, among others. With this scenario in mind, this study used two machine learning models, a deep neural network model, LSTM and XGBoost to predict the incidence of Visceral Leishmaniasis from time series of incidence and socioeconomic variables of the municipalities. The results of the XGBoost model were unsatisfactory, with an R2 of −0.27. In contrast, the LSTM model proved promising, with an R2 of 0.231. Despite appearing low at first glance, this value is significant, considering the complex characteristics of the disease and the use of a model with limited variables. The MAPE of the LSTM was 1.73%, showing a low level of error in the predictions. It is important to note that most of the incidence observations were null. This predominance of null values may have influenced the model to predict lower incidences, which is a point to consider when interpreting the results.pt_BR
dc.contributor.authorID20.1.4972pt_BR
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_PrediçãoTaxasIncidência.pdf2,79 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.