Modelos GAMLSS: Aplicação em casos de Síndrome Respiratória Aguda Grave com ênfase em Influenza e outras causas
Palavras-chave:
Modelagem Estatística, Regressão GAMLSS, SRAG, InfluenzaResumo
Um dos maiores causadores da Síndrome Respiratória Aguda Grave (SRAG) é a Influenza, uma doença respiratória provocada por diversas cepas do vírus. A disseminação global da Influenza tem representado um desafio significativo desde 2009. Neste contexto, a presente pesquisa propõe fazer uma análise da SRAG com ênfase na Influenza e outras causas (vírus respiratórios e outros agentes etiológicos), a fim de investigar e compreender a relação entre variáveis preditoras (comorbidades) e a variável de resposta específica (evolução) nos casos registrados no Brasil. A partir da análise dos resultados encontrados, referente ao período de 2020 a agosto de 2022, notou-se que os dados apresentaram um ajuste insatisfatório ao modelo de Regressão Linear Múltipla e os Modelos Lineares Generalizados, o que motivou a utilização dos Modelos Aditivos Generalizados para Locação, Escala e Forma. Para analisar esses dados, utilizamos distribuições clássicas de probabilidade no contexto dessa modelagem: binomial, binomial negativo, geométrico e Poisson. Dessas distribuições trabalhadas, a distribuição binomial mostrou se eficaz, permitindo mapear a adequação desta modelagem. Foram realizadas previsões nos conjuntos de treinamento e teste, a fim de verificar possíveis superajustamentos no modelo obtido. Essa abordagem proporcionou uma compreensão mais profunda do conjunto de dados e das relações entre as variáveis estudadas. Pacientes asmáticos mostraram uma forte e significativa associação com a taxa de mortalidade, enquanto aqueles com condições hepáticas crônicas demonstraram menor risco de óbito. Esses resultados fornecem estratégias importantes para intervenção e cuidado das populações afetadas por essas condições de saúde.
Referências
AKANTZILIOTOU, C., RIGBY, R. A., & STASINOPOULOS, D. M. (2002). The R Implementation of Generalized Additive Models for Location, Scale and Shape. In M. Stasinopoulos & G. Touloumi (Eds.), Statistical Modelling in Society: Proceedings of the 17th International Workshop on Statistical Modelling (pp. 75–83). Chania, Greece.
BRASIL. (2009). Estratégia Nacional de Vacinação contra o Vírus Influenza Pandêmico (H1N1) 2009. Ministério da Saúde. Brasília, DF. Recuperado de https://bvsms.saude.gov.br/bvs/publicacoes/estrategia_nacional_vacinacao_influenza.pdf
BRASIL. (2022). Dicionário de dados. Ministério da Saúde. Secretária de Vigilância em Saúde. Sistema de Informação de Vigilância Epidemiológica da Gripe. Recuperado de https://s3.sa-east-1.amazonaws.com/ckan.saude.gov.br/SRAG/pdfs/dicionario_de_dados_srag_hosp_17_02_2022.pdf
BRASIL. (2020). Protocolo de Manejo Clínico. Ministério da Saúde. Brasília, DF. Recuperado de https://www.saude.ms.gov.br/wp-content/uploads/2020/03/Protocolo-Manejo-Clinico_APS_versao04.pdf
DATASUS. (2022). Ministério da Saúde. SRAG - Banco de Dados de Síndrome Respiratória Aguda Grave - incluindo dados da COVID-19. OpenDataSUS. Recuperado de https://opendatasus.saude.gov.br/dataset/srag-2021-e-2022
FREITAG, V. L., ANTONIO, M. G. D., LOUREIRO, L. H., & PEREIRA, R. M. S. (2021). COVID 19 e a propagação de fake news sobre a contaminação pelo dióxido de carbono com o uso de máscaras faciais: Um estudo de reflexão. Research, Society and Development, 10(10), e104101018696. https://doi.org/10.33448/rsd-v10i10.18696
GONZALEZ, TEOFILO; SAHNI, SARTAJ; FRANTA & WILLIAM R. (1977). An efficient algorithm for the Kolmogorov-Smirnov and Lilliefors tests. ACM Transactions on Mathematical Software (TOMS), v. 3, n. 1, p. 60-64.
HASTIE, T. J., & TIBSHIRANI, R. J. (1990). Generalized Additive Models. Chapman and Hall.
LI, S., & YANG, B. (2008). Region-based multi-focus image fusion. https://doi.org/10.1016/B978-0-12-372529-5.00009-3
MAGALHÃES, M. N. (2015). Probabilidade e Variáveis Aleatórias. EDUSP.
NELDER, J. A., & WEDDERBURN, R. W. M. (1972). Generalized linear models. Journal of the Royal Statistical Society, A, 135, 370–384.
RIBEIRO, M. L. F., CORDEIRO, N. M., & ALVES, D. A. N. DA S. (2022). Aplicação de modelagem preditiva via árvore de decisão em casos de Síndrome Respiratória Aguda Grave (SRAG), com ênfase na Doença por Corona Vírus 2019 (COVID-19) no Brasil para o período de 2020 a 2022. Research, Society and Development, 11(15), e01111536173. https://doi.org/10.33448/rsd-v11i15.36173
RIGBY, R. A., & STASINOPULOUS, D. M. (2005). Generalized Additive Models for Location, Scale and Shape. Applied Statistics, 54, 507–554.
RIGBY, R. A., & STASINOPULOUS, D. M. (2001). The GAMLSS project: a Flexible Approach to Statistical Modelling. In B. Klein & L. Korsholm (Eds.), New Trends in Statistical Modelling: Proceedings of the 16th International Workshop on Statistical Modelling (pp. 249–256). Odense, Denmark.
SAMPERI, R. H., COLLADO, C. F., & LUCIO, M. DEL P. B. (2013). Metodologia Científica. AMGH Editora.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Proposta de Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).