Divulgação - DEFESA DE TESE DE DOUTORADO Nº 12

Aluna: Maíra Araújo de Santana

Título: “Modelagem espaço-temporal de doenças infecciosas: uma abordagem de aprendizado de máquina”

Orientador: Wellington Pinheiro dos Santos - (PPGEC)

Examinadora Externa: Giselle Machado Magalhães Moreno - (UFPE)

Examinadora Externa: Juliana Carneiro Gomes - (UFPE)

Examinadora Externa: Cristine Martins Gomes de Gusmão - (UFPE)

Examinadora Interna: Patrícia Takako Endo - (PPGEC)

Data-hora: 05 de Fevereiro de 2024, às 09:00h.
Local:Formato Remoto – Google Meet

---

Resumo:

         As doenças infecciosas, que incluem, também, as doenças tropicais negligenciadas (DTNs), de acordo com a Organização Mundial de Saúde (OMS), são uma das principais causas de morte, principalmente, em populações marginalizadas, tornando-as um grande desafio de saúde pública a nível global. Estima-se que, só as DTNs, causam cerca de 700.000 mortes por ano, principalmente, nas regiões tropicais e subtropicais. Em 2020, com a pandemia da COVID-19, suscitaram-se novos desafios para erradicação das DTNs para regiões de endemia, onde ocorrem surtos recorrentes, pois, além da sobrecarga dos serviços de saúde, a COVID-19 impactou negativamente as políticas de controle e prevenção das DTNs, dificultando o seu gerenciamento. Em contextos como esse, é importante que as autoridades de saúde mantenham o trabalho de monitoramento e vigilância epidemiológica de novas doenças e de doenças que já são endêmicas em um determinado território para evitar sobrecarga dos serviços de saúde. Os sistemas de predição podem atuar como uma ferramenta de apoio à tomada de decisão nas políticas de prevenção de doenças infecciosas. Neste sentido, vários grupos de pesquisas direcionaram seus esforços para construir modelos preditivos para doenças infecciosas, visto que essas ferramentas podem auxiliar na implementação de políticas de prevenção. No entanto, grande parte dos modelos construídos utilizam apenas uma abordagem temporal para a predição de casos confirmados da doença. Apesar de sua importância, esses modelos não deixam explícito quais são as regiões mais afetadas ou menos afetadas. Considerando este cenário, o objetivo dessa pesquisa é a construção de um modelo de predição espaço-temporal para auxiliar as autoridades de saúde na prevenção de doenças infecciosas, notadamente, as arboviroses e a COVID-19. Para o as arboviroses, foram elaborados modelos preditivos dos mapas de distribuição dos criadouros do Ae. aegypti, para a cidade do Recife, a partir dos dados dos criadouros do mosquito e das variáveis climáticas (chuva, temperatura e velocidade dos ventos), utilizando algoritmos de aprendizado de máquina. Para a COVID-19 os modelos preditivos foram gerados a partir dos casos confirmados, no Brasil e em Pernambuco, utilizando algoritmos de algoritmos de aprendizagem de máquina. Para as duas situações, foram avaliados os algoritmos de regressão linear, Random Forest, redes neurais artificiais e máquinas de vetores de suporte. De acordo com os resultados dos experimentos, observa-se que a modelagem espaço-temporal utilizando técnicas de geoprocessamento e aprendizado de máquina, no geral, é capaz de prever a distribuição espacial dos criadouros do mosquito Aedes aegypti na cidade do Recife, bem como prever a distribuição espaço-temporal dos casos de COVID-19 no Brasil e em Pernambuco. Os modelos gerados contêm informações geográficas grande interesse epidemiológico e podem ser uma ferramenta de apoio para os gestores de saúde no planejamento e implementação de políticas públicas tanto para a prevenção de arboviroses quanto para a prevenção da COVID-19.

DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 286

Aluna: Morgana Thalita da Silva Leite

Título: “Evaluating undersampling techniques in the prediction of potential congenital syphilis cases using real data from Pernambuco, Brazil"

Orientadora: Patricia Takako Endo - (PPGEC)

Examinador Externo: Ivanovitch Silva - (UFRN)

Examinador Interno: Diego Marconi Pinheiro Ferreira Silva - (PPGEC)

Data-hora: 21 de dezembro de 2023, às 15:00h.
Local: Formato Remoto - Google Meet.

---

Resumo:

         "Syphilis can be transmitted congenitally and may cause serious consequences for the child if not treated. The Programa Mãe Coruja Pernambucana (PMCP) is a brazilian public health program that helps pregnant women and saves data that can be used for prediction of potential congenital syphilis cases, through machine learning models. Only one work [1] was found that predicts congenital syphilis through machine learning. This research uses a different methodology that evaluates undersampling in prediction. Random Undersampling, UnderSampling Based on Clustering (SBC) and NearMiss were used. The data was preprocessed and undersampling applied, generating different balanced data sets to train and test different machine learning models and different metrics for evaluation. Undersampling discarded data evaluation and analysis of distribution of the best attributes were applied to evaluate undersampling in best models. In models results, NearMiss trained models had high metrics, and very low in the discarded data. SBC models had smaller metrics, and in the discarded data went lower. Random Undersampling models had the lowest metrics, however in the discarded data showed similar results. The distribution of best attributes of NearMiss models were not similar to the original, contrary to Random Undersampling and SBC. NearMiss models had best results in the models, through this work evaluation showed that they cannot generalize the PMCP data and have not a representative distribution of the original data. Random Undersampling models had the lowest metrics but showed consistency through the evaluations, and thus are recommended for the congenital syphilis prediction…"

Divulgação - DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 285

Aluno: Aldonso Martins de Oliveira Júnior

Título: “Anomaly Detection Techniques in the Service of Data Labling for Fault Diagnosis in Manufaturing"

Orientador: Alexandre Magno Andrade Maciel - (PPGEC)

Examinador Externo: Abel Guilhermino da Silva Filho - (UFPE)

Examinador Interno: João Fausto Lorenzato de Oliveira - (PPGEC)

Data-hora: 21 de dezembro de 2023, às 08:30h.
Local: Formato Remoto - Google Meet.

---

Resumo:

         Esta tese investiga a aplicação de técnicas de detecção de anomalias não supervisionadas para detecção de falhas em maquinário industrial, especialmente em ambientes com escassez de dados rotulados. Baseando-se no trabalho de Leite et al. (2022), este estudo abrangente envolve duas abordagens investigativas principais: inicialmente, empregando modelos de detecção de anomalias treinados em dados normais para identificação de falhas, e, em seguida, introduzindo uma organização inovadora de conjuntos de dados para aprimorar a eficácia da detecção. A pesquisa demonstra a eficiência destes modelos na detecção de falhas e seu potencial em auxiliar no processo de rotulação de condições anormais. Descobertas notáveis incluem a capacidade dos modelos em suportar a rotulação de novas condições de falhas e a viabilidade de reduzir as taxas de amostragem sem comprometer o desempenho. Este trabalho contribui significativamente para o campo de detecção de falhas industriais, destacando a adaptabilidade e eficiência da detecção de anomalias em cenários com dados limitados, e fornece insights sobre metodologia, métricas de avaliação e direções para pesquisas futuras.