Modelos de séries temporais para predição da taxa de mortalidade neonatal
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1348Palavras-chave:
Atenção Primária à Saúde, Política de Saúde, Ciência de DadosResumo
Objetivo: O objetivo deste trabalho é avaliar modelos de séries temporais paramétricos e não-paramétricos para a predição da taxa de mortalidade neonatal em municípios brasileiros de médio porte. Método: Os modelos foram ajustados aos dados históricos de 2010 a 2022 e avaliados com base nas métricas de erro e nos resultados das predições. Resultados: De acordo com os resultados, a série histórica da taxa de mortalidade neonatal apresenta perfil estacionário e sazonal. O modelo Auto-Regressivo Integrado de Médias Móveis com Sazonalidade conseguiu captar o perfil da série histórica e realizar projeções mais precisas. Entretanto, foi confirmada autocorrelação residual, o que pode levar a resultados enviesados. Conclusão: A partir da análise dos resultados, fica evidenciada a importância da avaliação de modelos paramétricos e não paramétricos para fornecer informações sobre predição de mortalidade neonatal que possam ser utilizados para avaliar e discutir as políticas públicas de saúde no Brasil.
Referências
Garcia LP, Schneider IJC, Oliveira C de, Traebert E, Traebert J. What is the impact of national public expenditure and its allocation on neonatal and child mortality? A machine learning analysis. BMC Public Health. 2023; 23(1):793.
Kale PL, Fonseca SC. Mortalidade neonatal específica por idade e fatores associados na coorte de nascidos vivos em 2021, no estado do Rio de Janeiro, Brasil. Revista Brasileira de Epidemiologia. 2022 ;25:e220038.
Vieira C, Arato B, Fernandes L, et al. Association of the Previne Brasil Program in prenatal care and maternal-child mortality. 2024. BMC Public Health. Preprint.
Soyiri IN, Reidpath DD. An overview of health forecasting. Environ Health Prev Med. 2013; 18(1):1.
Yang Y, Cao Z, Zhao P, Zeng DD, Zhang Q, Luo Y. Constructing public health evidence knowledge graph for decision-making support from COVID-19 literature of modelling study. Journal of Safety Science and Resilience. 2021;2(3):146–156.
Morgenstern JD, Buajitti E, O’Neill M, et al. Predicting population health with machine learning: a scoping review. BMJ Open 2020;10(10):e037860.
Tomov L, Chervenkov L, Miteva DG, Batselova H, Velikova T. Applications of time series analysis in epidemiology: Literature review and our experience during COVID-19 pandemic. World J Clin Cases. 2023 ;11(29):6974.
He S, Zhang H, Liu X, et al. Under-5, infant, and neonatal mortality trends and causes of death, 1991-2022: Findings from death surveillance in Xicheng district of Beijing, China. Prev Med Rep. 2023; 36.
Ferreira HNC, Capistrano GN, Morais TNB, et al. Screening and hospitalization of breast and cervical cancer in Brazil from 2010 to 2022: A time-series study. PLoS One. 2023; 18(10).
Parmezan ARS, Souza VMA, Batista GEAPA. Evaluation of statistical and machine learning models for time series prediction: Identifying the state-of-the-art and the best conditions for the use of each model. Inf Sci. 2019; 484:302–337.
Cao H, Wang J, Li Y, et al. Trend analysis of mortality rates and causes of death in children under 5 years old in Beijing, China from 1992 to 2015 and forecast of mortality into the future: An entire population-based epidemiological study. BMJ Open 2017;7(9).
Rajia S, Sabiruzzaman M, Islam MK, Hossain MG, Lestrel PE. Trends and future of maternal and child health in Bangladesh. PLoS One 2019;14(3).
Zhang R, Song H, Chen Q, Wang Y, Wang S, Li Y. Comparison of ARIMA and LSTM for prediction of hemorrhagic fever at different time scales in China. PLoS One 2022;17.
Calvo MCM, Lacerda JT de, Colussi CF, Schneider IJC, Rocha TAH. Estratificação de municípios brasileiros para avaliação de desempenho em saúde. Epidemiologia e Serviços de Saúde. 2016; 25(4):767–776.
Silveira AG, Mattos VLD, Nakamura LR, Amaral MC, Konrath AC, Bornia AC. Análise do Valor p Determinado pela Estatística τ na Aplicação do Teste de Dickey-Fuller Aumentado. Trends in Computational and Applied. 2022; 23(2):283–298.
Joosery B, Deepa G. Comparative analysis of time-series forecasting algorithms for stock price prediction [Homepage on the Internet]. In: Proceedings of the 1st International Conference on Advanced Information Science and System. New York, NY, USA: ACM, 2019; p. 1–6.
Taslim DG, Murwantara IM. A Comparative Study of ARIMA and LSTM in Forecasting Time Series Data. In: 2022 9th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE). IEEE, 2022; p. 231–235.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
