Avaliação de Técnicas de Imputação em Séries Temporais Curtas no Contexto da Atenção Primária à Saúde

• Lucas Emanoel Silva Barros Universidade Federal do Agreste de Pernambuco (UFAPE)
• Laissa Maria Gama Silva Universidade Federal do Agreste de Pernambuco (UFAPE)
• Gabriel Silva de Aquino Universidade Federal do Agreste de Pernambuco (UFAPE)
• Caio Guilherme Moreira da Rocha Universidade Federal do Agreste de Pernambuco (UFAPE)
• Fabio Guerra Medeiros Universidade Federal do Agreste de Pernambuco (UFAPE)
• Veruska Borges Santos Universidade Federal de Campina Grande (UFCG)
• Tiago Brasileiro Araújo Instituto Federal da Paraíba (IFPB)
• Dimas Cassimiro Nascimento Filho Universidade Federal do Agreste de Pernambuco (UFAPE)

DOI: https://doi.org/10.5753/sbbd.2026.249421

Resumo

A qualidade dos dados é fundamental para a eficácia de soluções com a aplicação de Aprendizado de Máquina, sendo a ausência de valores um problema ainda mais crítico em séries temporais pequenas. Nesse sentido, na Atenção Primária à Saúde, este problema ainda é recorrente devido à falta de uniformidade das fontes de dados, à não obrigatoriedade de certas informações (a depender da região) e à falta de treinamento dos usuários no uso das ferramentas. Portanto, este estudo compara sete métodos de imputação aplicados a dados de atendimentos das unidades da Atenção Primária à Saúde das cidades de Tacaratu e Bom Conselho (Pernambuco), destacando menor erro nos modelos MICE e Random Forest, respectivamente.

Palavras-chave: Técnicas de Imputação de Dados, Séries Temporais, Atenção Primária à Saúde, Sistemas de Apoio à Decisão, Sistema Único de Saúde (SUS)

Referências

Alnowaiser, K. (2024). Improving healthcare prediction of diabetic patients using knn imputed features and tri-ensemble model. IEEE Access, 12:16783–16793.

de Almeida, P. F., Giovanella, L., Schenkman, S., Franco, C. M., Duarte, P. O., Houghton, N., Báscolo, E., and Bousquat, A. (2025). Health surveillance as a strategic pillar of a comprehensive primary health care. Ciencia & saude coletiva, 30(5):e04572025.

Ganem, I. M., Bianco, G. D., Serufo Filho, J. C., Lima, L., Rocha, L., and Gonçalves, M. A. (2025). Avaliando as limitações e potenciais do algoritmo k-vizinhos mais próximos (knn) na imputação de dados clínicos. In Simpósio Brasileiro de Banco de Dados (SBBD), pages 809–815. SBC.

Hegde, H., Shimpi, N., Panny, A., Glurich, I., Christie, P., and Acharya, A. (2019). Mice vs ppca: Missing data imputation in healthcare. Informatics in medicine unlocked, 17:100275.

Hu, Y.-H., Wu, R.-Y., Lin, Y.-C., and Lin, T.-Y. (2024). A novel missforest-based missing values imputation approach with recursive feature elimination in medical applications. BMC Medical Research Methodology, 24(1):269.

Joel, L. O., Doorsamy, W., and Paul, B. S. (2025). A comparative study of imputation techniques for missing values in healthcare diagnostic datasets. International Journal of Data Science and Analytics, 20(7):6357–6373.

Lima, A. M. (2025). Assessing the impact of missing value mechanisms on anomaly detection in healthcare wearable data. In Simpósio Brasileiro de Banco de Dados (SBBD), pages 781–787. SBC.

Massuda, A., Malik, A., Lotta, G., Siqueira, M., Tasca, R., and Rocha, R. (2022). Brazil’s primary health care financing: case study. Lancet Global Health Commission on Financing Primary Health Care.

Nascimento, I. Y. N., Santos, V. B., Pereira, L. F. A., Araújo, T. B., da Rocha, C. G. M., Medeiros Filho, F. G., de Andrade, R. C. A., Vanderlei, I. M., and Nascimento Filho, D. C. (2026). Primary healthcare efficiency indicators for analysis and decision-making support for managers. In Simpósio Brasileiro de Sistemas de Informação (SBSI), pages 556–575. SBC.

Pereira, L. F. A., Ferreira, L. B., Nascimento, D. C., Vanderlei, I. M., Silva, D., Santos, V. B., Gomes, M. S., and Melo, I. A. (2025). Design, integration, and evaluation of a demand forecasting service in the context of primary healthcare. In Simpósio Brasileiro de Sistemas de Informação (SBSI), pages 506–514. SBC.

Santos, A. M. d., Giovanella, L., Fausto, M. C. R., Cabral, L. M. d. S., and Almeida, P. F. d. (2024). Dynamics of regionalization and repercussions of gaps in care on health marketing in remote rural municipalities. Cadernos de Saude Publica, 40:e00194523.

Taylor, S. J. and Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1):37–45.