Identification of important predictors, using V-Cramer technique and Permutation feature importance, in predicting Tuberculosis treatment status

• Jacó M. Santos UFAM
• Elson P. Vasques SAMSA
• Adriane F. Valentin SAMSA
• Eliane C. Nogueira SAMSA
• Ericle L. Costa SAMSA
• Juan C. Souza SAMSA
• John K. S. Silva SAMSA
• Elias E. R. Marques SAMSA
• July E. S. Silva SAMSA
• João G. S. Gomes SAMSA

DOI: https://doi.org/10.5753/sbcas.2024.2826

Resumo

Neste estudo, investigamos o uso de uma rede neural totalmente conectada implementada com Keras para criar modelos de previsão do desfecho do tratamento de pacientes com tuberculose. Os dados utilizados foram do Sistema de Informação de Agravos de Notificação (SINAN) do ano de 2023, integrados pelo iTB, um software desenvolvido pela Secretaria de Saúde de Manaus-AM. Este trabalho ainda está em andamento. Até o momento, alcançamos uma acurácia de 92,80% e valores de F1-Score de 0.90 para cura, 0.89 para abandono, 0.98 para morte por TB e 0.99 para droga resistente. Além disso, ao aplicar a técnica de permutation-importance, obtivemos uma acurácia de 93,31%. Experimentos com dados de consultas dos pacientes ainda serão agregados aos dados de teste, juntamente com uma análise V de Cramer.

Referências

Acharya, V., Dhiman, G., Prakasha, K., Bahadur, P., Choraria, A., Prabhu, S., Chadaga, K., Viriyasitavat, W., & Kautish, S. (2022). AI-Assisted Tuberculosis Detection and Classification from Chest X-Rays Using a Deep Learning Normalization-Free Network Model. Hindawi Computational Intelligence and Neuroscience, 2022. DOI: 10.1155/2022/2399428

Bahaweres, R. B., Agustian, F., Hermadi, I., Suroso, A. I., & Arkeman, Y. (2020). Software defect prediction using neural network based smote. International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), 2020-October. DOI: 10.23919/EECSI50503.2020.9251874

Inacio B, A., Henrique Q, L., Arruda, I., Carminati S, P., Caroline C V, A., & Maia M S, C. (2023). View of Predição do desfecho de pacientes com Tuberculose. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA. DOI: 10.55905/oelv21n9-094

Murrugara, L. K. S., Lima, L. V., Pavinati, G., Silva, I. G. P., Monteiro, L. R. S., Gil, N. L. M., & Magnabosco, G. T. (2023). Desfecho do tratamento da tuberculose latente em pessoas vivendo com vírus da imunodeficiência humana. Revista de Saúde Pública do Paraná, 6(1), 1–15. DOI: 10.32811/25954482-2023v6n1.709

Perlaza, C. L., Mosquera, F. E. C., Murillo, L. M. R., Sepulveda, V. B., & Arenas, C. D. C. (2023). Factors of abandonment of tuberculosis treatment in the public health network. Revista de Saude Publica, 57. DOI: 10.11606/S1518-8787.2023057004454

Singh, M., Pujar, G. V., Kumar, S. A., Bhagyalalitha, M., Akshatha, H. S., Abuhaija, B., Alsoud, A. R., Abualigah, L., Beeraka, N. M., & Gandomi, A. H. (2022). Evolution of Machine Learning in Tuberculosis Diagnosis: A Review of Deep Learning-Based Medical Applications. Electronics 2022, Vol. 11, Page 2634, 11(17), 2634. DOI: 10.3390/ELECTRONICS11172634

Tabosa de Oliveira, T., Sampaio, V., & Endo, P. T. (2020). Configuração de hyper-parâmetros de modelos deep learning para auxílio no pós-diagnóstico de Tuberculose. Anais Estendidos do Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), 87–92. DOI: 10.5753/SBCAS.2020.11563

Zhang, J., Qiang, Y., & Xu, X. (2021). Detection of Tuberculosis based on Deep Learning based methods You may also like An Ultrasensitive Electrochemical Aptasensor for Thrombin Detection Using MoS 2 Nanoparticles Loaded Iron-Porphyrinic Metal-Organic Framework as Signal Amplifier. J. Phys.: Conf. Ser, 1767, 12004. DOI: 10.1088/1742-6596/1767/1/012004