Considerado um dos maiores e melhores sistemas de saúde públicos do mundo, o SUS beneficia cerca de 180 milhões de brasileiros e realiza por ano cerca de 2,8 bilhões de atendimentos, desde procedimentos ambulatoriais simples a atendimentos de alta complexidade, como transplantes de órgãos. Os desafios, no entanto, são muitos, cabendo ao Governo e à sociedade civil a atenção para estratégias de solução de problemas diversos, identificados, por exemplo, na gestão do sistema e também no subfinancimento da saúde (falta de recursos).
Paralelamente à realização de consultas, exames e internações, o SUS também promove campanhas de vacinação e ações de prevenção de vigilância sanitária, como fiscalização de alimentos e registro de medicamentos.
Algumas dessas camapanhas são focadas em doenças respiratórias, como a campanha de vacinação contra a gripe, que ocorre anualmente, e mais recentemente a campanha de vacinação contra a COVID-19. Ambas as doenças são classificadas como SRAG (Síndrome Respiratória Aguda Grave), síndromes essas que só em 2023 foram responsáveis por mais de 200 mil atendimentos no SUS.
A primeira tarefa é analisar os dados para apresentar quaisquer insights.
Já a segunda consiste em criar e avaliar um classificador que seja capaz de distinguir entre três tipos de doenças respiratórias: COVID-19, gripe e outras.
Por último, é necessário que os achados sejam resumidos em slides para avaliação.
Os dados incluem:
- INFLUD23-16-10-2023: dados sobre os atendimentos de SRAG, como data de atendimento, data de nascimento, sexo, etc.
Para o modelo em questão, a Log Loss será métrica de avaliação principal, pois é uma métrica que penaliza erros de classificação mais graves, e como o objetivo é identificar doenças respiratórias graves, como a COVID-19 e a gripe, é importante que o modelo não cometa tais erros, pois, nesse caso o paciente pode não receber o tratamento adequado.
Entretanto, caso o modelo não apresente uma Log Loss significante, outras métricas como o F1 Score e o Recall serão incluídas na avaliação para uma análise mais robusta de desempenho.
[⌛] Reduzir a Log Loss do modelo.
Siga os seguintes passos para rodar o projeto localmente:
- Clone o repositório:
git clone https://github.com/dnsrsdata/Respiratory_Analysis- Crie um ambiente virtual:
python -m venv venv-
Ative o ambiente virtual de acordo com o seu sistema operacional.
-
Instale as dependências:
pip install -r requirements.txt- data
|- raw
| |- Dicionario_de_Dados.pdf # Arquivo contendo a descrição dos dados
| |- INFLUD23-16-10-2023.csv # Dados sobre os atendimentos de SRAG
|
- images
|- reports
| |- INFLUD23-16-10-2023.html # Relatório gerado pelo pandas profiling
|- acertos_influenza.png # Gráfico de waffle mostrando a taxa de acerto/erro do modelo para a classe influenza
|- acertos_nao_covid_influenza.png # Gráfico de waffle mostrando a taxa de acerto/erro do modelo para as classes que não são COVID-19 e influenza
|- banner.png # Banner utilizado no notebook da EDA
|- funnel_internados_obitos_ppt.png # Gráfico de funil sobre internações usado no ppt
|- funnel_internados_obitos.png # Gráfico de funil sobre internações usado no notebook da EDA
|- maiores_agentes_causadores_obito_ppt.png # Gráfico de barras sobre os maiores agentes causadores de óbito usado no ppt
|- maiores_agentes_causadores_obito.png # Gráfico de barras sobre os maiores agentes causadores de óbito usado no notebook da EDA
|- media_idade_obitos.png # Indicador mostrando a média de idade dos pacientes que foram à óbito
|- numero_de_casos.png # Indicador mostrando o número de casos de SRAG
|- previsao_recall_e_acertos_covid_ppt.png # Gráfico de waffle mostrando a taxa de acerto/erro do modelo para a classe Covid e o acerto em geral
|- principais_agentes_ppt.png # Gráfico de barras sobre os principais agentes causadores de SRAG usado no ppt
|- principais_agentes.png # Gráfico de barras sobre os principais agentes causadores de SRAG usado no notebook da EDA
|
- notebooks
|- EDA_Obitos_SRAGs.ipynb # Notebook contendo a análise exploratória dos dados
|- model_experimentation.ipynb # Notebook contendo os experimentos com os modelos
|
- relatorio
|- SRAGS_Analise_De_Dados.pdf # Relatório em ppt usado para apresentar os achados da exploração inicial
|- SRAGS_Resultados_Modelo.pdf # Relatório em ppt usado para apresentar o resultado do modelo
|
- README.md # Arquivo contando informações do projeto
- requirements.txt # Arquivo contendo as dependências do projeto
Apesar do modelo ter obtidos resultados que seriam considerados ótimos em outros tipos de problema, eu não recomendaria a sua utilização em um ambiente de produção, pois como estamos lidando com doenças respiratórias graves, como a COVID-19 e a gripe, é importante que o modelo não cometa muitos erros, pois um diagnóstico errôneo pode levar a um tratamento inadequado. Além disso, certas doenças são altamente contagiosas, e um diagnóstico errado pode levar a uma maior disseminação da doença.
Para um melhor detalhamento dos resultados, recomendo ver os PPT's na pasta relatórios.