Previsão de Mortalidade por COVID-19 sob Efeito de Concept Drift: Uma Abordagem Contínua com Janelas Deslizantes e XGBoost
Resumo
A previsão de mortalidade por COVID-19 utilizando Aprendizado de Máquina enfrenta o desafio do desbalanceamento de classes e do concept drift gerado pelas intervenções de saúde, especialmente a vacinação. Este artigo analisou 644.628 notificações clínicas (2020-2025) do estado do Acre. Para mitigar o viés cronológico, utilizou uma estratégia de validação temporal com janelas deslizantes. O modelo XGBoost, aliado ao ajuste dinâmico de pesos entre classes, alcançou um recall de 0,7622 na identificação da classe minoritária (óbito) e AUC-ROC de 0,9043. A análise temporal de interpretabilidade evidenciou a evolução do comportamento epidemiológico ao longo da pandemia, demonstrando que o modelo capturou a transição dos principais fatores preditivos de mortalidade associada ao avanço da vacinação, passando da variável idade, predominante no período pré-vacinação, para atributos relacionados a distúrbios olfativos e ao número de infecções no período pós-vacinação.
Palavras-chave:
Aprendizado de Máquina, Previsão, COVID-19, Dados Abertos, XGBoost
Referências
Adib, Q. A. R., Tasmi, S. T., Bhuiyan, S. I., Raihan, M. S., and Shams, A. B. (2021). Prediction model for mortality analysis of pregnant women affected with covid-19. In 2021 24th International Conference on Computer and Information Technology (ICCIT), pages 1–6. IEEE.
Agência de Notícias do Acre (2021). Acre inicia programa de imunização contra a COVID-19 e apresenta seus primeiros vacinados. Acessado em: 17 jan. 2026.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, page 785–794, New York, NY, USA. Association for Computing Machinery.
COFEN (2020). Ministério da saúde orienta conduta para casos suspeitos de reinfecção por COVID-19.
Da Silva, E. L. and Menezes, E. M. (2005). Metodologia da pesquisa e elaboração de dissertação. UFSC, Florianópolis, 4a. edição, 123(4):138.
Han, R., Liu, Z., Philip Chen, C., Xu, L., and Peng, G. (2020). Mortality prediction for covid-19 patients via broad learning system. In 2020 7th International Conference on Information, Cybernetics, and Computational Social Systems (ICCSS), pages 837–842. IEEE.
Júnior, M. L. d. L., Soares, D. M., Plastino, A., and Murta, L. (2018). Automatic assignment of integrators to pull requests: The importance of selecting appropriate attributes. J. Syst. Softw., 144(C):181–196.
Kaufman, S., Rosset, S., Perlich, C., and Stitelman, O. (2012). Leakage in data mining: Formulation, detection, and avoidance. ACM Trans. Knowl. Discov. Data, 6(4).
Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., and Zhang, G. (2018). Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering, page 1–1.
Sahiner, B., Chen, W., Samala, R. K., and Petrick, N. (2023). Data drift in medical machine learning: implications and potential remedies. The British Journal of Radiology, 96(1150):20220878.
Silva, R. and Silva Neto, D. R. d. (2023). Inteligência artificial e previsão de óbito por Covid-19 no Brasil: uma análise comparativa entre os algoritmos Logistic Regression, Decision Tree e Random Forest. Saúde em Debate, 46:118–129. Publisher: Centro Brasileiro de Estudos de Saúde.
Solanki, V., Solanki, U., Baliyan, A., Kukreja, V., Lamba, V., and Sahoo, B. K. (2021). Importance of artificial intelligence and machine learning in fighting with covid-19 epidemic. In 2021 5th International Conference on Information Systems and Computer Networks (ISCON), pages 1–8. IEEE.
Walia, H. and Jeevaraj, S. (2021). Early mortality risk prediction in covid-19 patients using an ensemble of machine learning models. In 2021 International Conference on Computational Performance Evaluation (ComPE), pages 965–970. IEEE.
Agência de Notícias do Acre (2021). Acre inicia programa de imunização contra a COVID-19 e apresenta seus primeiros vacinados. Acessado em: 17 jan. 2026.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, page 785–794, New York, NY, USA. Association for Computing Machinery.
COFEN (2020). Ministério da saúde orienta conduta para casos suspeitos de reinfecção por COVID-19.
Da Silva, E. L. and Menezes, E. M. (2005). Metodologia da pesquisa e elaboração de dissertação. UFSC, Florianópolis, 4a. edição, 123(4):138.
Han, R., Liu, Z., Philip Chen, C., Xu, L., and Peng, G. (2020). Mortality prediction for covid-19 patients via broad learning system. In 2020 7th International Conference on Information, Cybernetics, and Computational Social Systems (ICCSS), pages 837–842. IEEE.
Júnior, M. L. d. L., Soares, D. M., Plastino, A., and Murta, L. (2018). Automatic assignment of integrators to pull requests: The importance of selecting appropriate attributes. J. Syst. Softw., 144(C):181–196.
Kaufman, S., Rosset, S., Perlich, C., and Stitelman, O. (2012). Leakage in data mining: Formulation, detection, and avoidance. ACM Trans. Knowl. Discov. Data, 6(4).
Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., and Zhang, G. (2018). Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering, page 1–1.
Sahiner, B., Chen, W., Samala, R. K., and Petrick, N. (2023). Data drift in medical machine learning: implications and potential remedies. The British Journal of Radiology, 96(1150):20220878.
Silva, R. and Silva Neto, D. R. d. (2023). Inteligência artificial e previsão de óbito por Covid-19 no Brasil: uma análise comparativa entre os algoritmos Logistic Regression, Decision Tree e Random Forest. Saúde em Debate, 46:118–129. Publisher: Centro Brasileiro de Estudos de Saúde.
Solanki, V., Solanki, U., Baliyan, A., Kukreja, V., Lamba, V., and Sahoo, B. K. (2021). Importance of artificial intelligence and machine learning in fighting with covid-19 epidemic. In 2021 5th International Conference on Information Systems and Computer Networks (ISCON), pages 1–8. IEEE.
Walia, H. and Jeevaraj, S. (2021). Early mortality risk prediction in covid-19 patients using an ensemble of machine learning models. In 2021 International Conference on Computational Performance Evaluation (ComPE), pages 965–970. IEEE.
Publicado
08/09/2026
Como Citar
LOPES, Mateus Souza; DE LIMA JÚNIOR, Manoel Limeira; BRAGA, Rafael Alves.
Previsão de Mortalidade por COVID-19 sob Efeito de Concept Drift: Uma Abordagem Contínua com Janelas Deslizantes e XGBoost. In: BRAZILIAN E-SCIENCE WORKSHOP (BRESCI), 20. , 2026, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 129-136.
ISSN 2763-8774.
DOI: https://doi.org/10.5753/bresci.2026.249532.
