Uso da Mineração de Dados na Caracterização da Asma na População Brasileira
Resumo
A asma é uma doença respiratória crônica com alta prevalência no Brasil, influenciada por fatores genéticos, ambientais e relacionados ao estilo de vida. Compreender o perfil dos indivíduos com asma contribui para aprimorar estratégias de saúde pública e o controle da doença. Este trabalho tem como objetivo avaliar dados da Pesquisa Nacional de Saúde (PNS) de 2019 para caracterizar a asma na população brasileira. Como parte principal da metodologia adotada, foi realizada uma modelagem conceitual do domínio do problema, identificando fatores e suas múltiplas dimensões para orientar a preparação dos dados. Como resultado, foram desenvolvidos modelos preditivos para classificar indivíduos com ou sem asma, buscando encontrar padrões valiosos para futuras pesquisas da ciência de dados aplicadas à saúde.
Palavras-chave:
Asma, Mineração de Dados, Aprendizado de Maquina, Modelagem de Dados
Referências
BRASIL, M. d. S. (2020). Sobrepeso e obesidade em adultos. PORTARIA SCTIE/MS, (53):1–3.
Estanislau, N. R. d. A., Jordão, E. A. d. O. C., Abreu, G. d. A., Bloch, K. V., Kuschnir, M. C. C., Felix, M. M., and Kuschnir, F. C. (2021). Association between asthma and sleep hours in brazilian adolescents: Erica. Jornal de Pediatria, 97(4):396–401.
Finkelstein, J. and Jeong, I. c. (2017). Machine learning approaches to personalize early prediction of asthma exacerbations. Annals of the New York Academy of Sciences, 1387(1):153–165.
Gonçalves, L., Franca, D., and Zarate, L. (2024). Relevância do entendimento do domínio de problema na construção de modelos computacionais de aprendizado. In Anais do XVIII Brazilian e-Science Workshop, pages 135–142, Porto Alegre, RS, Brasil. SBC.
Guimarães, A. C. C. M., Ribeiro Filho, M. N., Silva, A. C. P., de Almeida Cunha, J., da Silva Neto, J. T., de Paula, L. R. F., da Cunha, L. C., Martins, G. H. C., Ribeiro, A. L., Araújo, I. V. G., et al. (2024). Diagnóstico e tratamento da asma: uma revisão de literatura. Brazilian Journal of Implantology and Health Sciences, 6(8):5230–5240.
Hisinger-Mölkänen, H., Honkamäki, J., Kankaanranta, H., Tuomisto, L., Backman, H., Andersén, H., Lindqvist, A., Lehtimäki, L., Sovijärvi, A., Rönmark, E., Pallasaho, P., Ilmarinen, P., and Piirilä, P. (2022). Age at asthma diagnosis is related to prevalence and characteristics of asthma symptoms. World Allergy Organization Journal, 15:100675.
IBGE (2020). Pesquisa nacional de saúde 2019. Disponível em: [link].
Kaplan, A., Cao, H., FitzGerald, J. M., Iannotti, N., Yang, E., Kocks, J. W., Kostikas, K., Price, D., Reddel, H. K., Tsiligianni, I., Vogelmeier, C. F., Pfister, P., and Mastoridis, P. (2021). Artificial intelligence/machine learning in respiratory medicine and potential role in asthma and copd diagnosis. The Journal of Allergy and Clinical Immunology: In Practice, 9(6):2255–2261.
Lorensia, A., Suryadinata, R., and Saputra, R. (2019). Physical activity and vitamin d level in asthma and non-asthma. Jurnal Farmasi Indonesia, 11:454–465.
Lual, K. and Awoke, M. (2021). Factors associated with suboptimal control of asthma among adult asthma patients: A cross-sectional study. The Open Respiratory Medicine Journal, 15:35–42.
Meltzer, L., Beebe, D., Jump, S., Flewelling, K., Sundström, D., White, M., Zeitlin, P., and Strand, M. (2019). Impact of sleep opportunity on asthma outcomes in adolescents. Sleep Medicine, 65.
Menezes, A. M. B., Wehrmeister, F. C., Horta, B., Szwarcwald, C. L., Vieira, M. L., and Malta, D. C. (2015). Prevalência de diagnóstico médico de asma em adultos brasileiros: Pesquisa nacional de saúde, 2013. Revista Brasileira de Epidemiologia, 18:204–213.
Nunes, E. (2006). Consumo de tabaco. efeitos na saúde. Revista Portuguesa de Medicina Geral e Familiar, 22(2):225–44.
Ramos, B. G., Martins, T. B. D., and de Castro, M. E. P. C. (2021). Prevalência da asma nas regiões do brasil: uma revisão sistemática/prevalence of asthma in brazil’s five geographic regions: a systematic review+. Brazilian Journal of Health Review, 4(3):11341–11359.
Razavi-Termeh, S. V., Sadeghi-Niaraki, A., and Choi, S.-M. (2021). Asthma-prone areas modeling using a machine learning model. Scientific Reports, 11(1):1912.
Rodrigues, A. S., Sobrinho, L. A., Ferreira, B. D., Mota, S. M., Cardoso, I. C., Rahal, M. R., Melchiori, B. R., de Lima Rossi, A. L., Moreira, L. S., and Miura, F. K. (2021). Abordagem geral da asma: uma revisão narrativa. Revista Eletrônica Acervo Médico, 1(2):e9129–e9129.
Vineis, P., Estève, J., and Terracini, B. (1984). Bladder cancer and smoking in males: Types of cigarettes, age at start, effect of stopping and interaction with occupation. International Journal of Cancer, 34(2):165–170.
World Health Organization (2025). Obesity and overweight. Disponível em: [link].
Xavier, J. M. d. V., Silva, F. D. d. S., Olinda, R. A. d., Querino, L. A. L., Araujo, P. S. B., Lima, L. F. C., Sousa, R. S. d., and Rosado, B. N. C. L. (2022). Climate seasonality and lower respiratory tract diseases: a predictive model for pediatric hospitalizations. Revista Brasileira de Enfermagem, 75(2):e20210680.
Estanislau, N. R. d. A., Jordão, E. A. d. O. C., Abreu, G. d. A., Bloch, K. V., Kuschnir, M. C. C., Felix, M. M., and Kuschnir, F. C. (2021). Association between asthma and sleep hours in brazilian adolescents: Erica. Jornal de Pediatria, 97(4):396–401.
Finkelstein, J. and Jeong, I. c. (2017). Machine learning approaches to personalize early prediction of asthma exacerbations. Annals of the New York Academy of Sciences, 1387(1):153–165.
Gonçalves, L., Franca, D., and Zarate, L. (2024). Relevância do entendimento do domínio de problema na construção de modelos computacionais de aprendizado. In Anais do XVIII Brazilian e-Science Workshop, pages 135–142, Porto Alegre, RS, Brasil. SBC.
Guimarães, A. C. C. M., Ribeiro Filho, M. N., Silva, A. C. P., de Almeida Cunha, J., da Silva Neto, J. T., de Paula, L. R. F., da Cunha, L. C., Martins, G. H. C., Ribeiro, A. L., Araújo, I. V. G., et al. (2024). Diagnóstico e tratamento da asma: uma revisão de literatura. Brazilian Journal of Implantology and Health Sciences, 6(8):5230–5240.
Hisinger-Mölkänen, H., Honkamäki, J., Kankaanranta, H., Tuomisto, L., Backman, H., Andersén, H., Lindqvist, A., Lehtimäki, L., Sovijärvi, A., Rönmark, E., Pallasaho, P., Ilmarinen, P., and Piirilä, P. (2022). Age at asthma diagnosis is related to prevalence and characteristics of asthma symptoms. World Allergy Organization Journal, 15:100675.
IBGE (2020). Pesquisa nacional de saúde 2019. Disponível em: [link].
Kaplan, A., Cao, H., FitzGerald, J. M., Iannotti, N., Yang, E., Kocks, J. W., Kostikas, K., Price, D., Reddel, H. K., Tsiligianni, I., Vogelmeier, C. F., Pfister, P., and Mastoridis, P. (2021). Artificial intelligence/machine learning in respiratory medicine and potential role in asthma and copd diagnosis. The Journal of Allergy and Clinical Immunology: In Practice, 9(6):2255–2261.
Lorensia, A., Suryadinata, R., and Saputra, R. (2019). Physical activity and vitamin d level in asthma and non-asthma. Jurnal Farmasi Indonesia, 11:454–465.
Lual, K. and Awoke, M. (2021). Factors associated with suboptimal control of asthma among adult asthma patients: A cross-sectional study. The Open Respiratory Medicine Journal, 15:35–42.
Meltzer, L., Beebe, D., Jump, S., Flewelling, K., Sundström, D., White, M., Zeitlin, P., and Strand, M. (2019). Impact of sleep opportunity on asthma outcomes in adolescents. Sleep Medicine, 65.
Menezes, A. M. B., Wehrmeister, F. C., Horta, B., Szwarcwald, C. L., Vieira, M. L., and Malta, D. C. (2015). Prevalência de diagnóstico médico de asma em adultos brasileiros: Pesquisa nacional de saúde, 2013. Revista Brasileira de Epidemiologia, 18:204–213.
Nunes, E. (2006). Consumo de tabaco. efeitos na saúde. Revista Portuguesa de Medicina Geral e Familiar, 22(2):225–44.
Ramos, B. G., Martins, T. B. D., and de Castro, M. E. P. C. (2021). Prevalência da asma nas regiões do brasil: uma revisão sistemática/prevalence of asthma in brazil’s five geographic regions: a systematic review+. Brazilian Journal of Health Review, 4(3):11341–11359.
Razavi-Termeh, S. V., Sadeghi-Niaraki, A., and Choi, S.-M. (2021). Asthma-prone areas modeling using a machine learning model. Scientific Reports, 11(1):1912.
Rodrigues, A. S., Sobrinho, L. A., Ferreira, B. D., Mota, S. M., Cardoso, I. C., Rahal, M. R., Melchiori, B. R., de Lima Rossi, A. L., Moreira, L. S., and Miura, F. K. (2021). Abordagem geral da asma: uma revisão narrativa. Revista Eletrônica Acervo Médico, 1(2):e9129–e9129.
Vineis, P., Estève, J., and Terracini, B. (1984). Bladder cancer and smoking in males: Types of cigarettes, age at start, effect of stopping and interaction with occupation. International Journal of Cancer, 34(2):165–170.
World Health Organization (2025). Obesity and overweight. Disponível em: [link].
Xavier, J. M. d. V., Silva, F. D. d. S., Olinda, R. A. d., Querino, L. A. L., Araujo, P. S. B., Lima, L. F. C., Sousa, R. S. d., and Rosado, B. N. C. L. (2022). Climate seasonality and lower respiratory tract diseases: a predictive model for pediatric hospitalizations. Revista Brasileira de Enfermagem, 75(2):e20210680.
Publicado
29/09/2025
Como Citar
OLIVEIRA, Arthur Henrique Chaves; MARTINS, Sara Alves; ZÁRATE, Luis Enrique.
Uso da Mineração de Dados na Caracterização da Asma na População Brasileira. In: DATA SCIENCE FOR SOCIAL GOOD BRAZILIAN WORKSHOP (DS4SG) - SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 40. , 2025, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 314-323.
DOI: https://doi.org/10.5753/sbbd_estendido.2025.248201.
