A Aplicação do Processo de KDD aos Dados da COVID-19: Um Estudo de Caso no Rio Grande do Sul, Brasil
Resumo
Diante da crescente quantidade de dados vinculados a um sistema de saúde complexo, surgem desafios para aprimorar a tomada de decisões com base em padrões de dados. Para enfrentar essa questão, é fundamental explorar a mineração de dados como uma ferramenta para extrair insights valiosos. Este estudo focaliza a aplicação do processo de Descoberta de Conhecimento em Bases de Dados (Knowledge Discovery in Databases – KDD), especialmente nas fases preliminares e de mineração de dados, para identificar padrões nos dados da pandemia de COVID-19 no Rio Grande do Sul, Brasil. Nossas análises revelaram padrões interessantes, como a associação entre sintomas específicos e desfechos dos pacientes. Embora os resultados ofereçam insights valiosos, é importante ressaltar que este estudo não tem a intenção de fornecer conclusões definitivas sobre a relação causal entre os sintomas e os resultados dos pacientes. Em vez disso, busca-se apresentar padrões identificados nos dados, sem interpretar seu significado clínico. Essas descobertas têm o potencial de informar futuras investigações e fornecer uma base sólida para a tomada de decisões proativas em saúde pública.
Referências
Apté, C. and Weiss, S. (1997). Data mining with decision trees and decision rules. Future generation computer systems, 13(2-3):197–210.
Cucinotta, D. and Vanelli, M. (2020). Who declares covid-19 a pandemic. Acta Bio Medica: Atenei Parmensis, 91(1):157.
Dagnino, R., Weber, E., and Panitz, L. (2020). Monitoramento do coronavírus (covid-19) nos municípios do Rio Grande do Sul.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3):37–37.
Hahsler, M., Grün, B., and Hornik, K. (2005). arules-a computational environment for mining association rules and frequent item sets. Journal of statistical software, 14:1–25.
Hallal, P. C., Horta, B. L., Barros, A. J., Dellagostin, O. A., Hartwig, F. P., Pellanda, L. C., Struchiner, C. J., Burattini, M. N., Silveira, M. F. d., Menezes, A., et al. (2020). Evolução da prevalência de infecção por covid-19 no Rio Grande do Sul, Brasil: inquéritos sorológicos seriados. Ciência & Saúde Coletiva, 25:2395–2401.
Milborrow, S. and Milborrow, M. S. (2019). Package ‘rpart. plot’. Plot’rpart’Models: An Enhanced Version of’plot. rpart.
Phyu, T. N. (2009). Survey of classification techniques in data mining. In Proceedings of the international multiconference of engineers and computer scientists, volume 1, pages 727–731. Citeseer.
Silveira, M. F., Barros, A. J., Horta, B. L., Pellanda, L. C., Victora, G. D., Dellagostin, O. A., Struchiner, C. J., Burattini, M. N., Valim, A. R., Berlezi, E. M., et al. (2020). Population-based surveys of antibodies against sars-cov-2 in southern brazil. Nature Medicine, 26(8):1196–1199.
Therneau, T., Atkinson, B., Ripley, B., and Ripley, M. B. (2015). Package ‘rpart’. Available online: [link] (accessed on 20 April 2016).
Therneau, T. M., Atkinson, E. J., et al. (1997). An introduction to recursive partitioning using the rpart routines. Technical report, Technical report Mayo Foundation.
