A Pandemia de COVID-19 nos munic´ıpios do Estado do Paran´a

uma investigac¸˜ao via An´alise de Agrupamento

Autores

Palavras-chave:

Análise de agrupamento, Clusters, J48, Naive Bayes, Covid-19

Resumo

A presente pesquisa aborda o contexto epidemiológico da pandemia de COVID-19, focando o panorama específico do Brasil, com foco especial no Estado do Paraná, aproximadamente um ano após a implementação do primeiro confinamento. O objetivo geral desta pesquisa consiste em aplicar a técnica de análise de agrupamento conhecida como k-means para categorizar os municípios paranaenses com base em duas variáveis ​​principais: o número de casos confirmados eon ´úmero de ´obitos por COVID-19. Para alcan¸car esse prop´osito, foram utilizados dados fornecidos pela Secretaria de Saúde do Paraná, abrangendo o período de 1º de janeiro de 2021 a 15 de março de 2021. Os resultados obtidos revelaram a identificação ¸c˜ao de três clusters que se destacaram como ´otimos, evidenciando divergências nos padrões de incidência de casos e ´óbitos entre os municípios. Notavelmente, observou-se uma correlação entre a densidade populacional e a frequência de casos e ´óbitos, com ´áreas mais densamente povoadas tendendo a registrar números mais elevados. Além disso, a avaliação da precisão dos algoritmos J48 e Naive Bayes  na classificação dos clusters apresentou resultados satisfatórios. Consequentemente, conclui-se
que a técnica de agrupamento de empregados revelou-se eficaz na identificação de semelhanças nos padrões de propagação da COVID-19, oferecendo evidências relevantes para a formulação de Estratégias direcionadas e eficientes no enfrentamento da pandemia, especialmente nas regiões mais impactadas.

Referências

ALVES, H. J. P.; FERNANDES, F. A.; LIMA, K. P.; BATISTA, B. D. O.; FERNANDES, T. J. A pandemia da COVID-19 no Brasil: uma aplicação do método de clusterização k-means. Research, Society and Development, v. 9, n. 10, 2020. DOI: http://dx.doi.org/10.33448/rsd-v9i10.9059.

CHARRAD, M., GHAZZALI, N., BOITEAU, V., NIKNAFS, A. Determining the best number of clusters in a data set. Package NbClust, 2015. Recuperado de http://cran.rediris.es/ web/packages/NbClust/NbClust.pdf.

EMAMI, A.; JAVANMARDI, F.; PIRBONYEH, N.; AKBARI, A. Prevalence of Underlying Diseases in Hospitalized Patients with COVID-19: a Systematic Review and Meta-Analysis. Arch Acad Emerg Med. 8(1): e35, mar, 2020.

FAVERO, L. P.; BELFIORE, P. Data Science for Business and Decision Making. Academic Press, Cambridge, MA, USA, 2019

FAYYAD, U.M. et al. Advances in knowledge discovery and data mining. Massachusetts: AAAI Press, 1996.

GUIMARAES, R. M.; ELEUTERIO, T. D. A.; MONTEIRO-DA-SILVA, J. H. C. Estratificação de risco para predição de disseminação e gravidade da Covid-19 no Brasil. Revista Brasileira De Estudos De População, 37, 1-17, 2020. DOI:

http://dx.doi.org/10.20947/s0102- 3098a0122.

IRITANI, O.; OKUNO, T.; HAMA, D.; KANE, A.; KODERA, K.; MORIGAKI, K.; TERAI, T.; MAENO, N.; MORIMOTO, S. Clusters of covid-19 in long-term care hospitals and facilities in japan from 16 january to 9 may 2020. Geriatrics & gerontology international, 20(7), 715-719, 2020. DOI: 10.1111/ggi.13973.

JAMES, N.; MENZIES, M. Cluster-based dual evolution for multivariate time series: Analyzing covid-19. Chaos: An Interdisciplinary Journal of Nonlinear Science, 30, 2020. DOI: https://doi.org/10.1063/5.0013156.

LU, R.; ZHAO, X.; LI, J.; NIU, P.; YANG, B.; WU, H.; WANG, W. Genomic characterisation and epidemiology of 2019 novel coronavirus: implications for virus origins and receptor binding. The Lancet. v.395, Feb 22, P. 565-574, 2020.

https://doi.org/10.1016/S0140-6736(19)33096-X.

MACIEL, E. L.; JABOR, P.; GONC¸ ALVES JUNIOR, E.; TRISTÃO-SÁ, R.; LIMA, R.C.D.; REIS-SANTOS, B.; LIRA, P.; BUSSINGUER, E. C. A.; ZANDONADE, E. Fatores associados ao óbito hospitalar por covid-19 no Espírito Santo. Epidemiologia e Serviços de Saúde, 29(4), 1-11, 2020. DOI: 10.5123/S1679-49742020000400022.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical computing, Vienna, 2020. Dispon´ıvel em: https://www.Rproject.org/.

RATKOWSKY, D.; LANCE, G. Criterion for determining the number of groups in a classification. Australian Computer Journal, 10(3), 115-117, 1978.

SESA, Secretaria da saúde: Informe Epidemiológico Coronavírus (COVID-19). Boletim epidemiológico, Curitiba, Março, 2021. Dispon ́ıvel em:

https://www.saude.pr.gov.br/sites/default/arquivos restritos/files/documento/2021-03/informe epidemiológico 15 03 2021.pdf.

WITTEN IH, F. Data Mining: Practical Machine Learning Tools and Techniques. 2nd edition. Morgan Kaufmann, San Francisco, 2005.

Downloads

Publicado

21-08-2024

Como Citar

Debastiani Neto, J., Gabriela Wendpap, B., & Peterson Pereira, R. (2024). A Pandemia de COVID-19 nos munic´ıpios do Estado do Paran´a: uma investigac¸˜ao via An´alise de Agrupamento. Sigmae, 13(2), 158–166. Recuperado de https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/2357

Edição

Seção

Estatística Aplicada