Agenda de defesas Agenda de defesas

Voltar

Dissertação de mestrado é defendida amanhã (13) na Pós-Graduação em Ciência da Computação da UFPE

Apresentação será via Google Meet, às 10h

O Programa de Pós Graduação em Ciência da Computação da UFPE vai promover a defesa de dissertação de mestrado “Efeitos potenciais da pandemia de covid-19 sobre modelos de aprendizagem de máquina para predição de parto prematuro nas capitais brasileiras” amanhã (13), às 10h. O trabalho foi desenvolvido pelo aluno José Maurício Matapi da Silva, sob orientação do professor Fernando Maciano de Paula Neto. A dissertação será defendida de forma remota. Interessados em assistir devem entrar em contato com o aluno através do e-mail jmms2@cin.ufpe.br. É recomendado que ao entrar na sala virtual o participante externo mantenha a câmera e microfone desligados. 

Fazem parte da banca examinadora os professores Adiel Teixeira de Almeida Filho e Fernando Maciano de Paula Neto, ambos do Centro de Informática da UFPE, e a professora Cristine Vieira do Bonfim do Instituto de Pesquisas Sociais da Fundação Joaquim Nabuco.

Resumo

O parto prematuro é o que ocorre antes de 37 semanas de gestação, sendo considerado um problema de saúde global, e ainda uma das principais causas de mortes em bebês e crianças menores de cinco anos de idade. A taxa de parto prematuro pode variar de acordo com a região geográfica e nível de renda, mantendo uma maior frequência de ocorrência em países subdesenvolvidos. Nos países desenvolvidos, ele é amplamente avaliado como forma de compreender as causas e na criação de ações preventivas. Nesta pesquisa, foi proposta a utilização de algoritmos de aprendizado de máquina para predição de parto prematuro em gravidez única, utilizando dados das capitais brasileiras. Foi verificado que os dois primeiros anos da pandemia de covid-19 trouxeram impactos significativos para as estimativas dos modelos testados, em comparação ao que foi constatado na base de treinamento. Foram utilizados seis classificadores de aprendizagem de máquina: Árvore de Decisão, Floresta Aleatória, Regressão Logística, Adaptive Boosting, Análise de Discriminante Linear e Rede Neural do tipo Multi-layer Perceptron, analisando as métricas de acurácia, precisão, revocação, F1-Score e área sobre a curva ROC. Portanto, com o processamento desses resultados, foi possível verificar a predição de parto prematuro com dados secundários no período de pandemia. A AUC dos modelos na base de validação variou de 0,7052 a 0,7729 (base sem balanceamento) e de 0,7199 a 0,7717 (base com balanceamento). Os resultados demonstraram que a covid-19 impactou os modelos de Regressão logística, Análise discriminante linear e Multilayer perceptron (os quais são considerados estáveis), enquanto que os modelos baseados em árvore (Adaboost, Floresta aleatória e Árvore de decisão) não apresentam boa aderência à base de treino, devendo ser utilizados com cautela ou desconsiderados.

Data da última modificação: 12/09/2022, 15:20