Matemática Aplicada e Modelação
Permanent URI for this collection
Browse
Browsing Matemática Aplicada e Modelação by advisor "Oliveira, Teresa A."
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Análise e avaliação do risco de contágio da COVID-19 em MoçambiquePublication . Taero, Élio José; Oliveira, Teresa A.; Teodoro, Maria Filomena AlvesA COVID-19 é uma doença viral com impacto relevante para saúde pública de um País, com destaque para os sistemas de saúde devido a sua rápida propagação. Para a compreensão da forma de transmissão e a análise da distribuição espacial dos casos da COVID-19, são descritos nesta tese um conjuntos de modelos matemáticos e estatísticos, que são usualmente mais aplicados na modelação de doenças infeciosas. São ainda apresentados e descritos, vários métodos e técnicas úteis para avaliação do risco na epidemiologia. A tese avalia e estima o risco de contágio da COVID-19 em Moçambique, a partir da metodologia mapeamento de doenças, recorrendo a aplicação dos modelos ICAR, BYM , BYM2 e Leroux, que foram formulados baseando-se na estrutura bayesiana hierárquica. Estes modelos foram propostos para capturar a dependência espacial entre as regiões vizinhas, permitindo uma estimativa mais precisa do risco relativo. Os modelos ICAR, BYM , BYM2 e Leroux, foram ajustados com o pacote R-INLA e para seleção do modelo aplicado para estimar o risco relativo de contágio da COVID-19 foram aplicados os critérios de Informação do Desvio e de Watanabe-Akaike, para além do Logaritmo da Pseudo-Verossimilhança Marginal e a visualização gráfica. São também aplicados, neste trabalho, os testes para deteção de agrupamentos da doença. Ao concluir a tese, ficou evidente que em termos comparativos a região Sul de Moçambique apresentou um risco relativo de contágio da COVID-19 mais alto, com destaque para Cidade de Maputo que apresentou um valor bastante elevado.
- Missing data handling in health sciences a neuro-fuzzy methods approachPublication . Pereira, José António Ferreira Lobo; Oliveira, Teresa A.; Carvalho, Davide Maurício Costa; Mubayi, AnujOs levantamentos epidemiológicos de saúde periodontal exigem um tempo de exame extenso quando realizados através de avaliações completas da boca, o que sobrecarrega participantes e examinadores. Para aliviar isso, utiliza-se exames parciais da boca, omitindo intencionalmente alguns dados. No entanto, esses métodos podem levar a estimativas enviesadas de prevalência. Esta dissertação aborda essa questão aplicando métodos IA-fuzzy para imputação de dados ausentes em levantamentos epidemiológicos com avaliações unilaterais das arcadas dentárias. Usando técnicas avançadas de machine learning, esta investigação visa melhorar a predição de valores omitidos intencionalmente, garantindo estimativas de prevalência não enviesadas. A revisão da literatura destaca a complexidade da periodontite e as limitações dos métodos tradicionais de imputação de dados na gestão de dados ausentes. O estudo utiliza dados de exames periodontais do National Health and Nutrition Examination Survey (NHANES) e emprega métodos estatísticos avançados para avaliar a simetria dentária. O método de imputação Mãe-Filha (MoDau), baseado em modelos XGBoost, foi desenvolvido para aprimorar a qualidade dos dados imputados. Os resultados indicam que a função de medição de simetria (SM) avalia eficazmente a simetria da profundidade de sondagem periodontal (pocket probing depth, PPD), mostrando forte correlação com as avaliações profissionais. O método Modau exibe uma precisão preditiva robusta, especialmente para categorias mais altas de PPD, embora apresente discrepâncias nos valores mais baixos. Este estudo ressalta a utilidade clínica e epidemiológica da função SM e o potencial dos métodos Artificial Inteligence-fuzzy (AI-fuzzy) para melhorar a imputação de dados. Pesquisas futuras devem explorar a aplicação desses métodos em outras áreas odontológicas e integrar técnicas adicionais de inteligência artificial (IA) para refinar ainda mais os modelos preditivos.