Machine Learning Models for Predicting COVID-19: An Ensemble Approach Applied to the State of Alagoas
Resumo
O COVID-19 surgiu como a variante mais contagiosa do coronavírus, desencadeando uma pandemia de impacto global. Estratégias de previsão baseadas em séries temporais foram implementadas para prever os casos e amparar decisões governamentais. Contudo, áreas menos assistidas, como cidades do interior de Alagoas, frequentemente não acessaram essas previsões. Diante disso, este estudo propõe uma solução para este cenário através de um Ensemble de modelos de aprendizagem de máquina. Os resultados destacam a eficácia do método nas previsões e em comparação com modelos individuais.
Palavras-chave:
COVID-19, previsão de séries temporais, aprendizado de ensemble
Referências
Acito, F. (2023). Ensemble models. In Predictive Analytics with KNIME: Analytics for Citizen Data Scientists, pages 255–265. Springer.
AlJame, M., Ahmad, I., Imtiaz, A., and Mohammed, A. (2020). Ensemble learning model for diagnosing covid-19 from routine blood tests. Informatics in Medicine Unlocked, 21:100449.
Ashofteh, A., Bravo, J. M., and Ayuso, M. (2022). An ensemble learning strategy for panel time series forecasting of excess mortality during the covid-19 pandemic. Applied Soft Computing, 128:109422.
Carlotto, G. B. (2021). Previsão da evolução da covid-19 utilizando métodos de machine learning.
Chiattone, H., Teixeira, H., Vasques, M., Caldeira, L., Izzo, L., Lorandi, A., Rodrigues, A., Gatti, M., and Ripardo, J. (2022). A atuação do psicólogo no pronto socorro adulto e o apoio aos pacientes e familiares na pandemia covid-19. Hematology, Transfusion and Cell Therapy, 44:S598.
Cramer, E. Y., Ray, E. L., Lopez, V. K., Bracher, J., Brennen, A., Castro Rivadeneira, A. J., Gerding, A., Gneiting, T., House, K. H., Huang, Y., et al. (2022). Evaluation of individual and ensemble probabilistic forecasts of covid-19 mortality in the united states. Proceedings of the National Academy of Sciences, 119(15):e2113561119.
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine learning research, 7(Jan):1–30.
Espinosa, M. M., de Oliveira, E. C., Melo, J. S., Damaceno, R. D., and Terças-Trettel, A. C. P. (2020). Predição de casos e óbitos de covid-19 em mato grosso e no brasil. Journal of Health & Biological Sciences, 8(1):1–7.
Figueiredo Filho, D. B. and Silva Júnior, J. A. (2009). Desvendando os mistérios do coeficiente de correlação de pearson (r). Revista Política Hoje, 18(1):115–146.
Herbold, S. (2020). Autorank: A python package for automated ranking of classifiers. Journal of Open Source Software, 5(48):2173.
Kwekha-Rashid, A. S., Abduljabbar, H. N., and Alhayani, B. (2023). Coronavirus disease (covid-19) cases analysis using machine-learning applications. Applied Nanoscience, 13(3):2013–2025.
Latorre, M. d. R. D. d. O. and Cardoso, M. R. A. (2001). Análise de séries temporais em epidemiologia: uma introdução sobre os aspectos metodológicos. Revista brasileira de epidemiologia, 4:145–152.
Liapis, C. M., Karanikola, A., and Kotsiantis, S. (2020). An ensemble forecasting method using univariate time series covid-19 data. In Proceedings of the 24th Pan-Hellenic Conference on Informatics, pages 50–52.
Maaliw, R. R., Ballera, M. A., Mabunga, Z. P., Mahusay, A. T., Dejelo, D. A., and Seño, M. P. (2021). An ensemble machine learning approach for time series forecasting of covid-19 cases. In 2021 IEEE 12th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON), pages 0633–0640. IEEE.
Morettin, P. A. and Toloi, C. M. (2018). Análise de séries temporais: modelos lineares univariados. Editora Blucher.
Santosh, K. (2020). Covid-19 prediction models and unexploited data. Journal of medical systems, 44(9):170.
Shastri, S., Singh, K., Deswal, M., Kumar, S., and Mansotra, V. (2022). Cobid-net: a tailored deep learning ensemble model for time series forecasting of covid-19. Spatial Information Research, 30(1):9–22.
Zhou, T., Lu, H., Yang, Z., Qiu, S., Huo, B., and Dong, Y. (2021). The ensemble deep learning model for novel covid-19 on ct images. Applied soft computing, 98:106885.
AlJame, M., Ahmad, I., Imtiaz, A., and Mohammed, A. (2020). Ensemble learning model for diagnosing covid-19 from routine blood tests. Informatics in Medicine Unlocked, 21:100449.
Ashofteh, A., Bravo, J. M., and Ayuso, M. (2022). An ensemble learning strategy for panel time series forecasting of excess mortality during the covid-19 pandemic. Applied Soft Computing, 128:109422.
Carlotto, G. B. (2021). Previsão da evolução da covid-19 utilizando métodos de machine learning.
Chiattone, H., Teixeira, H., Vasques, M., Caldeira, L., Izzo, L., Lorandi, A., Rodrigues, A., Gatti, M., and Ripardo, J. (2022). A atuação do psicólogo no pronto socorro adulto e o apoio aos pacientes e familiares na pandemia covid-19. Hematology, Transfusion and Cell Therapy, 44:S598.
Cramer, E. Y., Ray, E. L., Lopez, V. K., Bracher, J., Brennen, A., Castro Rivadeneira, A. J., Gerding, A., Gneiting, T., House, K. H., Huang, Y., et al. (2022). Evaluation of individual and ensemble probabilistic forecasts of covid-19 mortality in the united states. Proceedings of the National Academy of Sciences, 119(15):e2113561119.
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine learning research, 7(Jan):1–30.
Espinosa, M. M., de Oliveira, E. C., Melo, J. S., Damaceno, R. D., and Terças-Trettel, A. C. P. (2020). Predição de casos e óbitos de covid-19 em mato grosso e no brasil. Journal of Health & Biological Sciences, 8(1):1–7.
Figueiredo Filho, D. B. and Silva Júnior, J. A. (2009). Desvendando os mistérios do coeficiente de correlação de pearson (r). Revista Política Hoje, 18(1):115–146.
Herbold, S. (2020). Autorank: A python package for automated ranking of classifiers. Journal of Open Source Software, 5(48):2173.
Kwekha-Rashid, A. S., Abduljabbar, H. N., and Alhayani, B. (2023). Coronavirus disease (covid-19) cases analysis using machine-learning applications. Applied Nanoscience, 13(3):2013–2025.
Latorre, M. d. R. D. d. O. and Cardoso, M. R. A. (2001). Análise de séries temporais em epidemiologia: uma introdução sobre os aspectos metodológicos. Revista brasileira de epidemiologia, 4:145–152.
Liapis, C. M., Karanikola, A., and Kotsiantis, S. (2020). An ensemble forecasting method using univariate time series covid-19 data. In Proceedings of the 24th Pan-Hellenic Conference on Informatics, pages 50–52.
Maaliw, R. R., Ballera, M. A., Mabunga, Z. P., Mahusay, A. T., Dejelo, D. A., and Seño, M. P. (2021). An ensemble machine learning approach for time series forecasting of covid-19 cases. In 2021 IEEE 12th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON), pages 0633–0640. IEEE.
Morettin, P. A. and Toloi, C. M. (2018). Análise de séries temporais: modelos lineares univariados. Editora Blucher.
Santosh, K. (2020). Covid-19 prediction models and unexploited data. Journal of medical systems, 44(9):170.
Shastri, S., Singh, K., Deswal, M., Kumar, S., and Mansotra, V. (2022). Cobid-net: a tailored deep learning ensemble model for time series forecasting of covid-19. Spatial Information Research, 30(1):9–22.
Zhou, T., Lu, H., Yang, Z., Qiu, S., Huo, B., and Dong, Y. (2021). The ensemble deep learning model for novel covid-19 on ct images. Applied soft computing, 98:106885.
Publicado
17/11/2024
Como Citar
SANTOS, José Lucas Bispo dos; ARAÚJO FILHO, Elmo; OLIVEIRA, Marília G. F. de M.; OLIVEIRA, Augusto C. F. de M.; OLIVEIRA, Gustavo H. F. de M..
Machine Learning Models for Predicting COVID-19: An Ensemble Approach Applied to the State of Alagoas. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 21. , 2024, Belém/PA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 412-423.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2024.243677.
