Aprendizado de Máquina para Predição de Sequelas de Pacientes Com Diagnóstico de COVID-19
Resumo
Este estudo analisou dados de pacientes com COVID-19 atendidos no Hospital Universitário da FURG, considerando informações da internação inicial e do retorno pós-recuperação, quando apresentaram sequelas. Após tratamento e filtragem dos dados, aplicaram-se técnicas de aprendizado de máquina para identificar o algoritmo mais eficaz na predição de sequelas, mesmo com base de dados reduzida. O método supervisionado com validação cruzada indicou o Naive Bayes como o mais adequado. Os resultados visam apoiar o entendimento das consequências prolongadas da COVID-19 e o planejamento de cuidados futuros.Referências
Alkodaymi, M. S., Omrani, O. A., Fawzy, N. A; Shaar, B. A., Almamlouk, R., Riaz, M., Obeidat, M., Obeidat, Y., Gerberi, D., Taha, R. M., Kashour, Z., Kashour, T., Berbari, E. F., Alkattan, K. and Tleyjeh, I. M. (2022) ” Prevalence of post-acute COVID-19 syndrome symptoms at different follow-up periods: a systematic review and meta-analysis”. [link]
Alves, J. E. D..(2020) ”O avanço da pandemia de Covid-19 no mundo e no Brasil no mês de março”. [link]
Berrar, D. B. (2018) “Theorem and Naive Bayes Classifier”. In: RANGANATHAN, S.; NAKAI, K.; SCHONBACH, C. Encyclopedia of Bioinformatics and Computational Biology. [S.l.]: Elsevier, v. 1, 2018. p. 403-412
Chen, T. Q. and Guestrin, C. (2016) “XGBoost: A Scalable Tree Boosting System”. KDD '16: The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining , San Francisco, p. 753 794, jun. 2016.
Ferneda, E. (2006) “Redes neurais e sua aplicação em sistemas de recuperação de informação”. Universidade de São Paulo, Faculdade de Filosofia Ciências e Letras de Ribeirão Preto , São Paulo, Brasil. [link]
Garcia, S. C. (2003) “O Uso de Árvores de Decisão na Descoberta de Conhecimento na Área da Saúde”. Universidade Federal do Rio Grande do Sul. Porto Alegre, p. 14. [link]
Khalusova, M. (2022) “Machine Learning Model Evaluation Metrics part 2: Multi-class Classification” [link]
Koehrsen, W. (2017) “Random Forest Simple Explanation”. Medium. [link]
Rodrigues, V. (2019) “Métricas de Avaliação: acurácia, precisão, recall… quais as diferenças?” Medium, [link]
Segata, J. e Löwy, I. (2024) “Covid longa, a pandemia que não terminou”, Horizontes Antropológicos DOI: 10.1590/1806-9983e700601
Silva, A.S., Delatorre, E. O., Leon, L. A. A., Azevedo, S. S. D., Leite, T. C. N. F. e Paula, V. S. (2023) “Tópicos em Virologia”, Editora FIOCRUZ.
Uzunian, A. (2020) “Coronavirus SARS-CoV-2 and Covid-19”. [link]
Alves, J. E. D..(2020) ”O avanço da pandemia de Covid-19 no mundo e no Brasil no mês de março”. [link]
Berrar, D. B. (2018) “Theorem and Naive Bayes Classifier”. In: RANGANATHAN, S.; NAKAI, K.; SCHONBACH, C. Encyclopedia of Bioinformatics and Computational Biology. [S.l.]: Elsevier, v. 1, 2018. p. 403-412
Chen, T. Q. and Guestrin, C. (2016) “XGBoost: A Scalable Tree Boosting System”. KDD '16: The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining , San Francisco, p. 753 794, jun. 2016.
Ferneda, E. (2006) “Redes neurais e sua aplicação em sistemas de recuperação de informação”. Universidade de São Paulo, Faculdade de Filosofia Ciências e Letras de Ribeirão Preto , São Paulo, Brasil. [link]
Garcia, S. C. (2003) “O Uso de Árvores de Decisão na Descoberta de Conhecimento na Área da Saúde”. Universidade Federal do Rio Grande do Sul. Porto Alegre, p. 14. [link]
Khalusova, M. (2022) “Machine Learning Model Evaluation Metrics part 2: Multi-class Classification” [link]
Koehrsen, W. (2017) “Random Forest Simple Explanation”. Medium. [link]
Rodrigues, V. (2019) “Métricas de Avaliação: acurácia, precisão, recall… quais as diferenças?” Medium, [link]
Segata, J. e Löwy, I. (2024) “Covid longa, a pandemia que não terminou”, Horizontes Antropológicos DOI: 10.1590/1806-9983e700601
Silva, A.S., Delatorre, E. O., Leon, L. A. A., Azevedo, S. S. D., Leite, T. C. N. F. e Paula, V. S. (2023) “Tópicos em Virologia”, Editora FIOCRUZ.
Uzunian, A. (2020) “Coronavirus SARS-CoV-2 and Covid-19”. [link]
Publicado
12/11/2025
Como Citar
BARAÑANO, Christian Giménez; WERHLI, Adriano Velasque.
Aprendizado de Máquina para Predição de Sequelas de Pacientes Com Diagnóstico de COVID-19. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 5-8.
DOI: https://doi.org/10.5753/eramiars.2025.16266.
