Predição de hospitalizações de COVID-19 com seleção de atributos baseada em algoritmos genéticos e de classificação
DOI:
https://doi.org/10.5753/isys.2022.2187Keywords:
Seleção de features, COVID-19, Algoritmo genético, Aprendizado de maquina, Predição hospitalarAbstract
A pandemia de COVID-19 tem pressionado a sociedade e sobrecarregado os sistemas hospitalares. Modelos de aprendizado de máquina projetados para a predição de hospitalizações, por exemplo, podem contribuir para o melhor direcionamento de recursos hospitalares. Porém, como o excesso de informações, muitas vezes irrelevantes ou redundantes, pode prejudicar o desempenho dos modelos preditivos, neste trabalho é proposta uma abordagem híbrida de seleção de atributos. Esse método busca um subconjunto de atributos ótimo a partir de um algoritmo genético, que considera os resultados de um modelo de classificação em sua função de avaliação, a fim de melhorar a predição da necessidade de hospitalização de pacientes da COVID-19. Duas bases de dados oficiais da Secretaria da Saúde do Estado do Rio Grande do Sul, abrangendo casos de COVID-19 registrados até outubro de 2020 e junho de 2021, respectivamente, foram utilizadas na avaliação da abordagem proposta. Como resultado, foi observado um aumento de 18% na precisão da classificação de pacientes com necessidade de hospitalização, na primeira base de dados. Já na segunda, considerando uma avaliação temporal com janela deslizante, esse ganho foi, em média, de 6%. Em uma aplicação de tempo real, isso também significaria maior precisão no direcionamento dos recursos e, consequentemente e principalmente, melhoria na prestação de serviços à população infectada.
Downloads
Referências
Alpaydin, E. (2010). Introduction to machine learning. MIT Press, Cambridge, 2nd edition.
Arvind, V., Kim, J. S., Cho, B. H., Geng, E., and Cho, S. K. (2021). Development of a machine learning algorithm to predict intubation among hospitalized patients with COVID-19. Journal of Critical Care, 62:25–30. doi: https://doi.org/10.1016/j.jcrc.2020.10.033.
Burdick, H., Lam, C., Mataraso, S., Siefkas, A., Braden, G., Dellinger, R. P., Mc-Coy, A., Vincent, J.-L., Green-Saxena, A., Barnes, G., Hoffman, J., Calvert, J., Pellegrini, E., and Das, R. (2020). Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial. Computers in Biology and Medicine, 124:103949. doi: https://doi.org/10.1016/j.compbiomed.2020.103949.
Colpo, M. P., Alves, B. C., Pereira, K. S., Brandão, A. F. Z., de Aguiar, M. S., and Primo, T. T. (2021). Attribute selection based on genetic and classification algorithms in the prediction of hospitalization need of COVID-19 patients. In XVII Brazilian Symposium on Information Systems, SBSI 2021, New York, NY, USA. Association for Computing Machinery. doi: https://doi.org/10.1145/3466933.3466935.
Cueto-López, N., García-Ordás, M. T., Dávila-Batista, V., Moreno, V., Aragonés, N., and Alaiz-Rodríguez, R. (2019). A comparative study on feature selection for a risk prediction model for colorectal cancer. Computer Methods and Programs in Biomedicine, 177:219–229. doi: https://doi.org/10.1016/j.cmpb.2019.06.001.
Faria, N. R., Mellan, T. A., Whittaker, C., Claro, I. M., da S. Candido, D., Mishra, S., Crispim, M. A. E., Sales, F. C. S., Hawryluk, I., McCrone, J. T., Hulswit, R. J. G., Franco, L. A. M., Ramundo, M. S., de Jesus, J. G., Andrade, P. S., Coletti, T. M., Ferreira, G. M., Silva, C. A. M., Manuli, E. R., Pereira, R. H. M., Peixoto, P. S., Kraemer, M. U. G., Gaburo, N., da C. Camilo, C., Hoeltgebaum, H., Souza, W. M., Rocha, E. C., de Souza, L. M., de Pinho, M. C., Araujo, L. J. T., Malta, F. S. V., de Lima, A. B., do P. Silva, J., Zauli, D. A. G., de S. Ferreira, A. C., Schnekenberg, R. P., Laydon, D. J.,Walker, P. G. T., Schlüter, H. M., dos Santos, A. L. P., Vidal, M. S., Caro, V. S. D., Filho, R. M. F., dos Santos, H. M., Aguiar, R. S., Proenc¸a-Modena, J. L., Nelson, B., Hay, J. A., Monod, M., Miscouridou, X., Coupland, H., Sonabend, R., Vollmer, M., Gandy, A., Prete, C. A., Nascimento, V. H., Suchard, M. A., Bowden, T. A., Pond, S. L. K., Wu, C.-H., Ratmann, O., Ferguson, N. M., Dye, C., Loman, N. J., Lemey, P., Rambaut, A., Fraiji, N. A., do P. S. S. Carvalho, M., Pybus, O. G., Flaxman, S., Bhatt, S., and Sabino, E. C. (2021). Genomics and epidemiology of the P.1 SARS-CoV-2 lineage in Manaus, Brazil. Science, 372(6544):815–821. doi: https://doi.org/10.1126/science.abh2644.
Funchal, J. P. d. S. and Adanatti, D. F. (2016). Um estudo sobre a classificação de risco na Área da saúde utilizando Árvores de decisão. iSys – Revista Brasileira de Sistemas de Informação, 9(3):9–111. doi: https://doi.org/10.5753/isys.2016.317.
Han, J., Pei, J., and Kamber, M. (2011). Data mining: concepts and techniques. Morgan Kaufmann, Waltham, 3rd edition.
Heckler, W. F., Varella, J. d. C., Costa, C. C. d., and Barbosa, J. L. V. (2020). A model to patient abandonment prediction in the pulmonary rehabilitation. In XVI Brazilian Symposium on Information Systems, SBSI’20, New York, NY, USA. Association for Computing Machinery. doi: https://doi.org/10.1145/3411564.3411642.
Linden, R. (2008). Algoritmos Genéticos. Brasport, Rio de Janeiro, 2nd edition.
Lynch, C. M., Abdollahi, B., Fuqua, J. D., de Carlo, A. R., Bartholomai, J. A., Balgemann, R. N., van Berkel, V. H., and Frieboes, H. B. (2017). Prediction of lung cancer patient survival via supervised machine learning classification techniques. International Journal of Medical Informatics, 108:1–8. doi: https://doi.org/10.1016/j.ijmedinf.2017.09.013.
Maleki, N., Zeinali, Y., and Niaki, S. T. A. (2021). A k-NN method for lung cancer prognosis with the use of a genetic algorithm for feature selection. Expert Systems with Applications, 164:113981. doi: https://doi.org/10.1016/j.eswa.2020.113981.
Monteiro, F., Meloni, F., Baranauskas, J. A., and Macedo, A. A. (2020). Prediction of mortality in intensive care units: a multivariate feature selection. Journal of Biomedical Informatics, 107:103456. doi: https://doi.org/10.1016/j.jbi.2020.103456.
PAHO (2020). Pan American Health Organization. Ficha Informativa COVID-19: A COVID-19 e o papel dos sistemas de informação e das tecnologias na atenção primária. [link], May, 23.
Pawlovsky, A. P. and Matsuhashi, H. (2017). The use of a novel genetic algorithm in component selection for a kNN method for breast cancer prognosis. In 2017 Global Medical Engineering Physics Exchanges/Pan American Health Care Exchanges (GMEPE/PAHCE), pages 1–5, Tuxtla Gutierrez, Mexico. IEEE. doi: https://doi.org/10.1109/GMEPE-PAHCE.2017.7972084.
Pradeep, K. and Naveen, N. (2018). Lung cancer survivability prediction based on performance using classification techniques of support vector machines, c4.5 and naive bayes algorithms for healthcare analytics. Procedia Computer Science, 132:412–420. doi: https://doi.org/10.1016/j.procs.2018.05.162.
Raschka, S. and Mirjalili, V. (2017). Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. Packt Publishing, Birmingham, UK, 2nd edition.
Scikit-learn (2020). Feature selection. [link].
SES/RS (2020). Secretaria Estadual da Saúde do Rio Grande do Sul. Painel Coronavírus RS. [link].
The Novel Coronavirus Pneumonia Emergency Response Epidemiology Team (2020). The Epidemiological Characteristics of an Outbreak of 2019 Novel Coronavirus Diseases (COVID-19) — China, 2020. China CDC Weekly, 2:113. doi: https://doi.org/10.46234/ccdcw2020.032.
World Health Organization (2020). COVID-19 Weekly Epidemiological Update - 27 December 2020. [link], December, 29.
Zhou, Y., Zhang, W., Kang, J., Zhang, X., and Wang, X. (2021). A problem-specific non-dominated sorting genetic algorithm for supervised feature selection. Information Sciences, 547:841–859. doi: https://doi.org/10.1016/j.ins.2020.08.083.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2022 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
