Modelos GAMLSS: Aplicação em casos de Síndrome Respiratória Aguda Grave com ênfase em Influenza e outras causas

Autores

Palavras-chave:

Modelagem Estatística, Regressão GAMLSS, SRAG, Influenza

Resumo

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

04-11-2024

Como Citar

Ribeiro, M. L. F., Oliveira, L. S. de, & Vasconcelos, J. M. de. (2024). Modelos GAMLSS: Aplicação em casos de Síndrome Respiratória Aguda Grave com ênfase em Influenza e outras causas. Sigmae, 13(4), 265–281. Recuperado de https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/2533

Edição

Seção

Artigos completos