Análise de sinais e sintomas da infecção pelo vírus SARS-CoV-2
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1339Palavras-chave:
COVID-19, SARS-CoV-2, Aprendizado de MáquinaResumo
Objetivo: Desenvolver metodologia de Mineração de Dados e Aprendizado de Máquina para diagnóstico de COVID-19. Método: Criar modelos de diagnóstico, avaliar diferenças nos sintomas entre ondas pandêmicas. Resultados: Diagnosticar infecção sintomática pelo SARS-CoV-2. Conclusão: Destacar a eficácia da metodologia na gestão pandêmica.
Referências
Andersen KG, Rambaut A, Lipkin WI. The proximal origin of SARS-CoV-2. Nature Medicine. 2020; 26:450-452. DOI: https://doi.org/10.1038/s41591-020-0820-9
Yin C. Genotyping coronavirus SARS-CoV-2: methods and implications. ZGenomics. 2020; 112(5):3588–3596. DOI: https://doi.org/10.1016/j.ygeno.2020.04.016
Ming-Syan C, Jiawei H, Yu PS. Data mining: an overview from a database perspective. IEEE Transactions on Knowledge and Data Engineering. 1996; 8(6):866-883. DOI: https://doi.org/10.1109/69.553155
Addis TR. Towards an ”expert” diagnostic system. ICL Technical Journal. 1956; 1:79-105.
Fayyoumi E, Idwan S, AboShindi H. Machine Learning and Statistical Modelling for Prediction of Novel COVID-19 Patients Case Study: Jordan. (IJACSA) International Journal of Advanced Computer Science and Applications. 2020; 11:122–126. DOI: https://doi.org/10.14569/IJACSA.2020.0110518
Elliott J, Whitaker M, Bodinier B, et al. Predictive symptoms for COVID-19 in the community: REACT-1 study of over 1 million people. PLoS Med. 2021; 18(9). DOI: https://doi.org/10.1371/journal.pmed.1003777
Canas LS, Sudre CH, Pujol JC, et al. Early detection of COVID-19 in the UK using self-reported symptoms: a large-scale, prospective, epidemiological surveillance study. Lancet Digit Health. 2021; DOI: https://doi.org/10.1016/S2589-7500(21)00131-X
Menni C, Valdes AM, Freidin MB, et al. Real-time tracking of self-reported symptoms to predict potential COVID-19. Nature Medicine. 2020; 26:1037–1040. DOI: https://doi.org/10.1038/s41591-020-0916-2
Breiman L. Random Forests. Machine Learning. 2001; 45(1):5-32. DOI: https://doi.org/10.1023/A:1010933404324
Breiman L. Bagging predictors. Machine Learning. 1996; 24:123-140. DOI: https://doi.org/10.1007/BF00058655
Haykin, S. Neural Networks and Learning Machines. Third Edition, Pearson Education, Inc., McMaster University, Hamilton, 2009
Brant R. Digesting logistic regression results. The American Statistician. 1996; 50(2):117-119. DOI: https://doi.org/10.1080/00031305.1996.10474358
Lundberg SM, Lee SI. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems. 2017.
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
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.
