Implementação de um modelo de previsão usando séries temporais para estimar excesso de óbitos no Brasil em 2020
DOI:
https://doi.org/10.59681/2175-4411.v16.2024.1003Palavras-chave:
Séries temporais, Modelo preditivo, Excesso de mortes, Sub-notificação de mortes por COVID-19Resumo
Objetivos: Compreender o comportamento da pandemia da Covid-19 no cenário nacional e descrever como ela afetou o índice de mortalidade. Métodos: Implementar um modelo preditor utilizando conceitos de modelagem ARIMA e dados extraídos do banco de dados do Sistema Único de Saúde, a fim de estimar o número de óbitos causados pela COVID-19 no Brasil durante 2020. Resultados: Estima-se que a COVID-19 tenha contribuído, em média, para um excedente de 713 mortes diárias. Conclusão: Mesmo considerando os registros de óbitos por COVID-19 sobre o resultado da predição, observa-se que a combinação fica abaixo da curva real, indicando que há subnotificação de óbitos causados por essa doença durante o ano de 2020 no Brasil.
Referências
PHELAN AL, KATZ R, GOSTIN LO. The novel coronavirus originating in Wuhan, China: challenges for global health governance. JAMA. 2020;323(8):709-10. DOI: https://doi.org/10.1001/jama.2020.1097
CUCINOTTA D, VANELLI M. WHO declares COVID-19 a pandemic. Acta Bio Medica: Atenei Parmensis. 2020;91(1):157.
HALEEM A, JAVAID M, VAISHYA R. Effects of COVID-19 pandemic in daily life. Current medicine research and practice. 2020;10(2):78. DOI: https://doi.org/10.1016/j.cmrp.2020.03.011
Morato MM, Bastos SB, Cajueiro DO, Normey-Rico JE. An optimal predictive control strategy for COVID-19 (SARS-CoV-2) social distancing policies in Brazil. Annual re- views in control. 2020;50:417-31. DOI: https://doi.org/10.1016/j.arcontrol.2020.07.001
Orellana JDY, da Cunha GM, Marrero L, Moreira RI, da Costa Leite I, Horta BL. Ex- cesso de mortes durante a pandemia de COVID-19: subnotificação e desigualdades regionais no Brasil. Cadernos de Saúde Pública. 2021;37(1):e00259120. DOI: https://doi.org/10.1590/0102-311x00259120
SHUMWAY RH, STOFFER DS. Time series analysis and its applications. New York: Springer; 2000. DOI: https://doi.org/10.1007/978-1-4757-3261-0
CHATFIELD C. The analysis of time series: an introduction. New York: Chapman and hall/CRC, Routledge, 7th edition; 2019.
Brownlee J. Introduction to time series forecasting with python: how to prepare data and develop models to predict the future. Machine Learning Mastery; 2017.
Box GEP, Jenkins GM, Reinsel GC, Ljung GM. Time series analysis: forecasting and control. Wiley; 5th edition; 2015.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Lucas F. Mateus, Fabricio Ourique, Analucia Schiaffino Morales, Millena Nayara da Silva
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.
