Uso de Aprendizado de Máquina para Predizer o Comportamento do Doador de Sangue: Uma Revisão da Literatura
Resumo
Serviços de Hemoterapia, chamados comumente de Unidades Hemoterápicas, muitas vezes tem problemas para convocar doadores de sangue em épocas de crise ou em situações de emergência como a recente pandemia do COVID-19. Além disso, nesses serviços existe uma preocupação constante em os estoques de sangue em patamares seguros e aceitáveis. Este artigo apresenta uma revisão sistemática da literatura sobre o uso de técnicas de aprendizado de máquina que ajudem a obter uma melhor compreensão sobre os fatores que influenciam o comportamento futuro do doador para poder prevê-lo com maior precisão e assim definir estratégias para convocar e aumentar o número de doadores ativos. Foram revisados 17 artigos, selecionados dos 171 artigos recuperados inicialmente de 5 bases indexadas. O artigo, também, discorre sobre os 10 trabalhos considerados mais relevantes para o entendimento do comportamento dos doadores.Referências
Agarwal, K., Gupta, M., Gupta, K., Khan, A., Nallakaruppan, M. K. (2019). Blood Transfusion System Using Data Mining Techniques and GRA. In 2019 5th International Conference on Advanced Computing and Communication Systems (ICACCS) (pp. 1143-1147). IEEE.
Alajrami, E., Abu-Nasser, B. S., Khalil, A. J., Musleh, M. M., Barhoom, A. M., Naser, S. A. (2019). Blood donation prediction using artificial neural network. International Journal of Academic Engineering Research (IJAER), 3(10).
Alkahtani, S. A., Jilani, M. (2019). Predicting return donor and analyzing blood donation time series using data mining techniques. International Journal of Advanced Computer Science and Applications, 10(8).
Bahel, D., Ghosh, P., Sarkar, A., Lanham, M. A. (2017). Predicting blood donations using machine learning techniques. Computer Science, 323.
Birhane, T., Hailu, B. (2021). Predicting the Behavior of Blood Donors in National Blood Bank of Ethiopia Using Data Mining Techniques. International Journal of Information Engineering and Electronic Business, 13(3).
Gillespie, T. W., Hillyer, C. D. (2002), Donation Decision. Transfus. Med., vol. 16, no. 2, p. 115-130.
Kitchenham, B. A., Brereton, P., Budgen, D., Turner, M., Khalil, M. (2007). Lessons from applying the systematic literature review process within the software engineering domain. Journal of Systems and Software, v. 80, n. 4, p. 571-583.
Magalhães, T.A. et al. (2016), Prevalência de inaptidão sorológica dos doadores de sangue no hemocentro regional de Montes Claros, Minas Gerais. Revista Online de Pesquisa, vol. 8, no. 3, p. 4864-4871.
Ministério da Saúde, Dezesseis a cada mil brasileiros doam sangue. 2019. [link].
Pabreja, K., and Bhasin, A. (2021). A Predictive Analytics Framework for Blood Donor Classification. International Journal of Big Data and Analytics in Healthcare (IJBDAH), 6(2), 1-14.
Roberts, N., James, S., Delaney, M., Fitzmaurice, C. (2019). The global need and availability of blood products: a modelling study. Lancet Haematol., vol. 6, no. 12, p. e606-e615, doi: 10.1016/S2352-3026(19)30200-5.
Salazar-Concha, C., Ramírez-Correa, P. (2021). Predicting the Intention to Donate Blood among Blood Donors Using a Decision Tree Algorithm. Symmetry, 13(8), 1460.
Santhanam, T., Sundaram, Shyam (2010). Application of CART algorithm in blood donors classification. Journal of computer Science, v. 6, n. 5, p. 548.
Shashikala, B. M., Pushpalatha, M. P., Vijaya, B. (2019). Machine learning approaches for potential blood donors prediction. In Emerging Research in Electronics, Computer Science and Technology (pp. 483-491).
Springer, Singapore. Wevers, A., Wigboldus, D. H., De Kort, W. L., Van Baaren, R., Veldhuizen, I. J. (2014). Characteristics of donors who do or do not return to give blood and barriers to their return. Blood Transfusion, 12(Suppl 1), s37.
World Health Organization, Global Status Report on Blood Safety 2016. Geneva: WHO; 2017. https://www.who.int/.
Alajrami, E., Abu-Nasser, B. S., Khalil, A. J., Musleh, M. M., Barhoom, A. M., Naser, S. A. (2019). Blood donation prediction using artificial neural network. International Journal of Academic Engineering Research (IJAER), 3(10).
Alkahtani, S. A., Jilani, M. (2019). Predicting return donor and analyzing blood donation time series using data mining techniques. International Journal of Advanced Computer Science and Applications, 10(8).
Bahel, D., Ghosh, P., Sarkar, A., Lanham, M. A. (2017). Predicting blood donations using machine learning techniques. Computer Science, 323.
Birhane, T., Hailu, B. (2021). Predicting the Behavior of Blood Donors in National Blood Bank of Ethiopia Using Data Mining Techniques. International Journal of Information Engineering and Electronic Business, 13(3).
Gillespie, T. W., Hillyer, C. D. (2002), Donation Decision. Transfus. Med., vol. 16, no. 2, p. 115-130.
Kitchenham, B. A., Brereton, P., Budgen, D., Turner, M., Khalil, M. (2007). Lessons from applying the systematic literature review process within the software engineering domain. Journal of Systems and Software, v. 80, n. 4, p. 571-583.
Magalhães, T.A. et al. (2016), Prevalência de inaptidão sorológica dos doadores de sangue no hemocentro regional de Montes Claros, Minas Gerais. Revista Online de Pesquisa, vol. 8, no. 3, p. 4864-4871.
Ministério da Saúde, Dezesseis a cada mil brasileiros doam sangue. 2019. [link].
Pabreja, K., and Bhasin, A. (2021). A Predictive Analytics Framework for Blood Donor Classification. International Journal of Big Data and Analytics in Healthcare (IJBDAH), 6(2), 1-14.
Roberts, N., James, S., Delaney, M., Fitzmaurice, C. (2019). The global need and availability of blood products: a modelling study. Lancet Haematol., vol. 6, no. 12, p. e606-e615, doi: 10.1016/S2352-3026(19)30200-5.
Salazar-Concha, C., Ramírez-Correa, P. (2021). Predicting the Intention to Donate Blood among Blood Donors Using a Decision Tree Algorithm. Symmetry, 13(8), 1460.
Santhanam, T., Sundaram, Shyam (2010). Application of CART algorithm in blood donors classification. Journal of computer Science, v. 6, n. 5, p. 548.
Shashikala, B. M., Pushpalatha, M. P., Vijaya, B. (2019). Machine learning approaches for potential blood donors prediction. In Emerging Research in Electronics, Computer Science and Technology (pp. 483-491).
Springer, Singapore. Wevers, A., Wigboldus, D. H., De Kort, W. L., Van Baaren, R., Veldhuizen, I. J. (2014). Characteristics of donors who do or do not return to give blood and barriers to their return. Blood Transfusion, 12(Suppl 1), s37.
World Health Organization, Global Status Report on Blood Safety 2016. Geneva: WHO; 2017. https://www.who.int/.
Publicado
07/06/2022
Como Citar
SILVA, Jairo Marciano; MONTEIRO, Ana Maria.
Uso de Aprendizado de Máquina para Predizer o Comportamento do Doador de Sangue: Uma Revisão da Literatura. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 15. , 2022, Teresina.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 1-10.
DOI: https://doi.org/10.5753/enucompi.2022.222533.
