Impacto de Mecanismos de Ausência de Dados na Performance de um Sistema de Monitoramento de COVID-19

• Leonardo S. Cardoso Universidade de São Paulo (USP)
• Afonso M. S. Lima Universidade de São Paulo (USP)
• Agma J. M. Traina Universidade de São Paulo (USP) https://orcid.org/0000-0003-4929-7258
• Elaine P. M. de Sousa Universidade de São Paulo (USP)

DOI: https://doi.org/10.5753/sbbd_estendido.2026.249613

Resumo

A integração de dispositivos vestíveis ao monitoramento remoto de saúde tem transformado a supervisão de pacientes, viabilizando a coleta contínua de dados e a intervenção clínica precoce. No entanto, esses sistemas frequentemente apresentam dados ausentes, o que pode introduzir viés e comprometer a tomada de decisão clínica. Este trabalho de iniciação científica investiga o impacto de três mecanismos de ausência (MCAR, MAR e MNAR) simulados sobre dados de frequência cardíaca utilizados para geração de alertas na detecção de COVID-19, avaliando como diferentes distribuições e taxas de ausência afetam a confiabilidade dos alertas. Os resultados indicam que, embora o sistema mantenha alta precisão na maioria dos cenários, há uma queda substancial na revocação, resultando na supressão de alertas de COVID-19.

Palavras-chave: valores ausentes, mecanismos de ausência, dispositivos vestíveis, pré-processamento de dados, dados médicos

Referências

Alavi, A., Bogu, G. K., Wang, M., Rangan, E. S., Brooks, A. W., et al. (2022). Realtime alerting system for covid-19 and other stress events using wearable data. Nature Medicine, 28(1):175–184.

Benhamza, K., Benselim, R., Naidja, H., and Seridi, H. (2025). A comprehensive survey of imputation methods in medical missing data analysis. Applied Intelligence, 55(11):778.

Canali, S., Schiaffonati, V., and Aliverti, A. (2022). Challenges and recommendations for wearable devices in digital health: Data quality, interoperability, health equity, fairness. PLOS Digital Health, 1(10):e0000104.

Emmanuel, T., Maupong, T., Mpoeleng, D., Semong, T., Mphago, B., and Tabona, O. (2021). A survey on missing data in machine learning. Journal of Big data, 8:1–37.

Getzen, E., Ungar, L., Mowery, D., Jiang, X., and Long, Q. (2023). Mining for equitable health: Assessing the impact of missing data in electronic health records. Journal of biomedical informatics, 139:104269.

Lima, A. M. S. (2025). Assessing the impact of missing value mechanisms on anomaly detection in healthcare wearable data. In Anais do XL Simpósio Brasileiro de Bancos de Dados (SBBD), pages 781–787, Fortaleza, CE, Brasil. Sociedade Brasileira de Computação.

Lima, A. M. S. (2026). The impact of missing values on anomaly detection tasks in healthcare wearable data. Journal of Information and Data Management. Accepted for publication; to appear.

Lima, A. S. and Sousa, E. (2024). Handling missing values in data streams: An overview. In Anais do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 750–756, Florianópolis, SC, Brasil. Sociedade Brasileira de Computação.

Mangussi, A. D., Santos, M. S., Lopes, F. L., Pereira, R. C., Lorena, A. C., and Abreu, P. H. (2025). mdatagen: A python library for the artificial generation of missing data. Neurocomputing, 625:129478.

Mishra, T., Wang, M., Metwally, A. A., Bogu, G. K., Brooks, A. W., Bahmani, A., Alavi, A., Celli, A., Higgs, E., Dagan-Rosenfeld, O., et al. (2020). Pre-symptomatic detection of covid-19 from smartwatch data. Nature biomedical engineering, 4(12):1208–1220.

Santos, M. S., Pereira, R. C., Costa, A. F., Soares, J. P., Santos, J., and Abreu, P. H. (2019). Generating synthetic missing data: A review by missing mechanism. IEEE Access, 7:11651–11667.