Uso de Redes Neurais Recorrentes Para Predição de Doenças Isquêmicas do Coração Usando Séries Temporais

• Davi Matos de Carvalho IFMA
• Omar Andres Carmona Cortes IFMA

DOI: https://doi.org/10.5753/sbcas_estendido.2025.7338

Resumo

O presente trabalho tem como objetivo avaliar a eficiência do uso de redes neurais recorrentes para análise de séries temporais de óbitos por doenças isquêmicas do coração na cidade de São Luís do Maranhão, por meio de três modelos: LSTM, BiLSTM e GRU, buscando identificar a combinação de parâmetros que proporcione melhores resultados. As referidas RNNs são comparadas com o modelo tradicional ARIMA em um experimento usando k-fold. Resultados indica que a LSTM chega a um RMSE de 0,70, o BiLSTM de 0,45 e a GRU de 0.46, enquanto que ARIMA alcança um RSME de 7,5.

Referências

BARBOZA, M. F. X. (2021). Análise e predição de incidência de casos de malária no tempo e no espaço utilizando modelos deep learning resumo estendido. CTDSI/CTCCSI.

CARVALHO, D. L. d. (2023). Aplicação de Redes Neurais Recorrentes para Previsão de Séries Temporais. Tese (doutorado), Universidade Estadual da Paraíba, Campina Grande, PB.

GOODFELLOW, I., BENGIO, Y., and COURVILLE, A. (2016). Deep Learning. MIT Press.

HYNDMAN, R. J. and ATHANASOPOULOS, G. (2018). Forecasting: Principles and Practice. OTexts.

SHAHID, F., KHAN, M., AHMED, M., ALI, M., REHMAN, M., and KHAN, M. (2020). Predictions for covid-19 with deep learning models of lstm, gru and bi-lstm. Chaos, Solitons and Fractals, 140:111178.

Siami-Namini, S., Tavakoli, N., and Namin, A. S. (2019). The performance of lstm and bilstm in forecasting time series. In 2019 IEEE International Conference on Big Data (Big Data), pages 3285–3292.

Soyiri, I. N. and Reidpath, D. D. (2013). An overview of health forecasting. Environmental Health and Preventive Medicine, 18(1):1–9.

World Health Organization (2024). The top 10 causes of death. Acesso em: 18 fev. 2025.