Modelos de series temporales para la predicción de la tasa de mortalidad neonatal
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1348Palabras clave:
Atención Primaria de Salud, Política de Salud, Ciencia de los DatosResumen
Objetivo: El objetivo de este trabajo es evaluar modelos de series temporales paramétricos y no-paramétricos para la predicción de la tasa de mortalidad neonatal en municipios brasileños de tamaño mediano. Método: Los modelos fueron ajustados a los datos históricos de 2010 a 2022 y fueron evaluados considerando métricas de error y resultados de las predicciones. Resultados: Según los resultados, la serie histórica de la tasa de mortalidad neonatal presenta un perfil estacionario y estacional. El modelo Autorregresivo Integrado de Media Móvil logró captar el perfil de la serie histórica y realizar proyecciones más. Sin embargo, se confirmó la autocorrelación residual, lo que puede llevar a resultados sesgados. Conclusión: A partir del análisis de los resultados, se evidencia la importancia de la evaluación de modelos paramétricos y no paramétricos para proporcionar información sobre la predicción de la mortalidad neonatal que pueda ser utilizada para evaluar y discutir las políticas públicas de salud en Brasil.
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
