USANDO O CLASSIFICADOR NAIVE BAYES PARA GERAÇÃO DE ALERTAS DE RISCO DE ÓBITO INFANTIL
maio-agosto 2017
Cristiano Lima da Silva,
Joyce Quintino Alves,
Oton Crispim Braga,
José Wellington Pereira Júnior,
Luiz Odorico Monteiro de Andrade,
Antônio Mauro Barbosa de Oliveira
Resumo: GISSA é um sistema inteligente para a tomada de decisões em saúde focado no cuidado materno infantil. Neste sistema, vários alertas são gerados nos cinco domínios da saúde (clínico-epidemiológico, normativo, administrativo, gestão do conhecimento, conhecimento compartilhado). O sistema se propõe a contribuir para a redução da mortalidade infantil no Brasil. Este artigo apresenta o LAIS, um mecanismo inteligente que usa aprendizado de máquina para gerar alertas de risco de mortalidade infantil no GISSA. Para tanto, este trabalho usa uma metodologia baseada na mineração de dados para alcançar um modelo de aprendizagem capaz de calcular a probabilidade de um recém-nascido morrer. Os testes mostram que o classificador Naive Bayes é o mais adequado para este propósito, apresentando bons resultados, com área da curva ROC de 92,1%. O trabalho reúne bases de dados do Ministério da Saúde, SIM e SINASC, para o treinamento de algoritmos de classificação, identificando relações entre dados de nascimento e de morte de crianças com menos de um an. Durante o processo metodológico foi utilizado o algoritmo spread subsample, que aplica sub-amostragem, melhorando os resultados do modelo.
Abstract: GISSA is an intelligent system for decision-making in health focused on maternal and child care. In this system, several alerts are generated in the five health domains (clinical-epidemiological, normative, administrative, knowledge management, shared knowledge). The system proposes to contribute to the reduction of infant mortality in Brazil. This article introduces LAIS, an intelligent engine that uses machine learning to generate infant mortality risk alerts in GISSA. Therefore, this work uses a methodology based on data mining to achieve a learning model capable of calculating the probability of a newborn dying. The tests show that the Naive Bayes classifier is the most suitable for this purpose, showing good results, with a ROC curve area of 92.1%. The work brings together databases from the Ministry of Health, SIM and SINASC, for the training of classification algorithms, identifying relationships between birth and death data of children under one year old. During the methodological process, the spread subsample algorithm was used, which applies sub-sampling, improving the model results.