Comparação entre Redes Neurais Artificiais para Avaliação do Impacto do MP10 na Saúde Humana
Resumo
A alta emissão de poluentes atmosféricos em grandes centros urbanos acarreta diversos malefícios para a saúde populacional. Neste trabalho, a proposta foi estimar o número de internações hospitalares por doenças respiratórias devido à concentração de material particulado com diâmetro aerodinâmico menor ou igual à 10 micrometros (MP10) utilizando duas Redes Neurais Artificiais, Perceptron de Múltiplas Camadas (MLP) e Máquinas de Aprendizado Extremo (ELM). As entradas dos modelos consideradas são a concentração de MP10 e variáveis meteorológicas. Os resultados computacionais mostraram que a rede MLP foi capaz de alcançar melhores desempenhos.Referências
Araujo, L. N. et al. (2020) Ensemble method based on Artificial Neural Networks to estimate air pollution health risks. Environmental Modelling and Software, vol. 123, 104567.
CETESB - Companhia Ambiental do Estado de São Paulo (2021) https://cetesb.sp.gov.br/ar/poluentes/, março.
CETESB - Companhia Ambiental do Estado de São Paulo (2018) https://cetesb.sp.gov.br/ar/qualar/, outubro.
DataSUS - Departamento de Informática do Sistema Único de Saúde (2018) http://www2.datasus.gov.br/DATASUS/%20index.php?area=02, dezembro.
Freitas, A. M. e Solci, M. C. (2009) Caracterização do MP10 e MP2,5 e distribuição por tamanho de cloreto, nitrato e sulfato em atmosfera urbana e rural de Londrina. Química Nova, vol. 32, páginas 1750-1754.
Haykin, S. (2015), Neural Networks and Learning Machines, Prentice Hall, 3rd edition.
IBGE - Instituto Brasileiro de Geografia e Estatística (2019) https://www.ibge.gov.br/estatisticas-novoportal/sociais/populacao/9103-estimativas-de-populacao.html?1/4&t1/4resultados, julho.
OMS - Organização Mundial da Saúde (2020) “Air Pollution”, https://www.who.int/health-topics/air-pollution#tab=tab_1, maio.
Python (2019) https://phyton.org, agosto.
Polezer et al. (2018) Assessing the impact of PM 2.5 on respiratory disease using artificial neural networks. Environmental Pollution, vol. 235, pages 394-403.
Silva, I. D. et al. (2010), Redes Neurais Artificiais para Engenharia e Ciências Aplicadas, Artliber, 1ª edição.
Tadano, Y. S. et al. (2021) Dynamic model to predict the association between air quality, COVID-19 cases, and level of lockdown. Environmental Pollution, vol. 268, 115920.
Tadano, Y. S. et al. (2012) “Methodology to assess air pollution impact on human health using the Generalized Linear Model with Poisson regression”, In: Air Pollution – Monitoring, Modelling and Health, Edited by D. M. Khare, Intech, England.
Tadano, Y. S. et al. (2016) Unorganized machines to predict hospital admissions for respiratory diseases. 2016 IEEE Latin American Conference on Computational Intelligence (LA-CCI).
CETESB - Companhia Ambiental do Estado de São Paulo (2021) https://cetesb.sp.gov.br/ar/poluentes/, março.
CETESB - Companhia Ambiental do Estado de São Paulo (2018) https://cetesb.sp.gov.br/ar/qualar/, outubro.
DataSUS - Departamento de Informática do Sistema Único de Saúde (2018) http://www2.datasus.gov.br/DATASUS/%20index.php?area=02, dezembro.
Freitas, A. M. e Solci, M. C. (2009) Caracterização do MP10 e MP2,5 e distribuição por tamanho de cloreto, nitrato e sulfato em atmosfera urbana e rural de Londrina. Química Nova, vol. 32, páginas 1750-1754.
Haykin, S. (2015), Neural Networks and Learning Machines, Prentice Hall, 3rd edition.
IBGE - Instituto Brasileiro de Geografia e Estatística (2019) https://www.ibge.gov.br/estatisticas-novoportal/sociais/populacao/9103-estimativas-de-populacao.html?1/4&t1/4resultados, julho.
OMS - Organização Mundial da Saúde (2020) “Air Pollution”, https://www.who.int/health-topics/air-pollution#tab=tab_1, maio.
Python (2019) https://phyton.org, agosto.
Polezer et al. (2018) Assessing the impact of PM 2.5 on respiratory disease using artificial neural networks. Environmental Pollution, vol. 235, pages 394-403.
Silva, I. D. et al. (2010), Redes Neurais Artificiais para Engenharia e Ciências Aplicadas, Artliber, 1ª edição.
Tadano, Y. S. et al. (2021) Dynamic model to predict the association between air quality, COVID-19 cases, and level of lockdown. Environmental Pollution, vol. 268, 115920.
Tadano, Y. S. et al. (2012) “Methodology to assess air pollution impact on human health using the Generalized Linear Model with Poisson regression”, In: Air Pollution – Monitoring, Modelling and Health, Edited by D. M. Khare, Intech, England.
Tadano, Y. S. et al. (2016) Unorganized machines to predict hospital admissions for respiratory diseases. 2016 IEEE Latin American Conference on Computational Intelligence (LA-CCI).
Publicado
15/06/2021
Como Citar
MEYER, João Luiz M.; VALADARES, Hugo Siqueira; ALVES, Thiago Antonini; TADANO, Yara de Souza.
Comparação entre Redes Neurais Artificiais para Avaliação do Impacto do MP10 na Saúde Humana . In: CONCURSO DE TRABALHOS DE INICIAÇÃO CIENTÍFICA - SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 21. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 103-108.
ISSN 2763-8987.
DOI: https://doi.org/10.5753/sbcas.2021.16109.
