Repository logo
 
Publication

Modelação de dados espaço-temporais da COVID-19 em Portugal com desagregação temporal: uma abordagem estatística e epidemiológica

2024-10-11Doctoral thesis Open access
Simple item page
datacite.subject.sdg04:Educação de Qualidadept_PT
dc.contributor.advisorOliveira, Teresa
dc.contributor.advisorOliveira, Amílcar
dc.contributor.advisorMukherjee, Amitava
dc.contributor.authorLeal, Maria da Conceição Dias
dc.date.accessioned2024-11-08T14:05:26Z
dc.date.available2024-11-08T14:05:26Z
dc.date.issued2024-10-11
dc.descriptionTese de Doutoramento em Matemática Aplicada e Modelação apresentada à Universidade Abertapt_PT
dc.description.abstractA monitorização estatística analisa dados recolhidos ao longo do tempo e/ou espaço, para detetar e quantificar alterações, anomalias ou tendências nos processos subjacentes. Esta tese desenvolve e aplica métodos estatísticos para monitorizar dados espaço-temporais, considerando as suas especificidades e desafios. Usando como caso prático a COVID-19 em concelhos de Portugal Continental, o trabalho visa compreender a dinâmica de disseminação de uma epidemia, apoiar a tomada de decisão em Saúde Pública e contribuir com metodologias inovadoras em estatística. A tese propõe três contributos principais: 1) desagregação temporal de dados, em que se obtém dados mais detalhados e confiáveis a partir de dados de diferentes fontes que os recolhem e tratam com critérios distintos, recorrendo a algoritmos que permitem infundir informação relevante do domínio; 2) modelação de dados, considerando efeitos espaciais, temporais e de interação 𝑒𝑠𝑝𝑎ç𝑜 × 𝑡𝑒𝑚𝑝𝑜, com recurso ao ajuste de modelos hierárquicos bayesianos aos dados observados e desagregados, para análise e deteção de padrões temporais e espaciais; e 3) análise e deteção de fatores de risco e avaliação do impacto de eventos públicos e de covariáveis meteorológicas na disseminação de uma epidemia/pandemia, usando modelos lineares generalizados, visualização e testes de hipóteses. A tese explora dois casos relevantes com dados de COVID-19 de concelhos de Portugal Continental, criando formas mais sólidas de análise e monitorização dos dados. A tese demonstra como a matemática e a epidemiologia se unem para enfrentar desafios da humanidade, como a pandemia COVID-19, avançando o conhecimento científico e melhorando as políticas públicas de saúde e outros processos.pt_PT
dc.description.abstractStatistical monitoring analyses data collected over time and/or space to detect and quantify changes, anomalies, or trends in underlying processes. This thesis develops and applies statistical methods for monitoring spatiotemporal data, considering their specificities and challenges. Using COVID-19 in counties of Continental Portugal as a practical case, the work aims to understand the dynamics of epidemic spread, support decision-making in Public Health, and contribute with innovative statistical methodologies. The thesis proposes three main contributions: 1) the temporal disaggregation of data, which obtains more detailed and reliable data, combining data from different sources that collect and treat them with different criteria, using algorithms that allow infusing relevant information from the domain; 2) data modelling, considering spatial, temporal, and 𝑠𝑝𝑎𝑐𝑒 × 𝑡𝑖𝑚𝑒 interaction effects, using the adjustment of Hierarchical Bayesian Models to observed and disaggregated data for analysis and detection of temporal and spatial patterns; and 3) analysis and detection of risk factors and evaluation of the impact of public events and meteorological covariates on the spread of an epidemic/pandemic, using Generalized Linear Models, visualization, and hypothesis testing. The thesis explores two relevant cases with COVID-19 data from counties of Continental Portugal, creating more robust forms of analysis and monitoring of the data. The thesis demonstrates how mathematics and epidemiology come together to address humanity's challenges, such as the COVID-19 pandemic, advancing scientific knowledge and improving public health policies and other processes. The thesis demonstrates how mathematics and epidemiology come together to face challenges of humanity, such as the COVID-19 pandemic, advancing scientific knowledge and improving public health policies and other processes.pt_PT
dc.description.versionN/Apt_PT
dc.identifier.citationLeal, Maria da Conceição Dias - Modelação de dados espaço-temporais da COVID-19 em Portugal com desagregação temporal [Em linha]: uma abordagem estatística e epidemiológica. [S.l.]: [s.n.], 2024. 309 p.
dc.identifier.tid101792352
dc.identifier.urihttp://hdl.handle.net/10400.2/16751
dc.language.isoporpt_PT
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/pt_PT
dc.subjectCOVID-19pt_PT
dc.subjectDados espaciaispt_PT
dc.subjectDados espaço-temporaispt_PT
dc.subjectDesagregação de dados temporaispt_PT
dc.subjectEpidemiologiapt_PT
dc.subjectModelação de dados espaço-temporaispt_PT
dc.subjectSpatial datapt_PT
dc.subjectSpatiotemporal datapt_PT
dc.subjectTemporal data disaggregationpt_PT
dc.subjectEpidemiologypt_PT
dc.subjectSpatiotemporal data modellingpt_PT
dc.titleModelação de dados espaço-temporais da COVID-19 em Portugal com desagregação temporal: uma abordagem estatística e epidemiológicapt_PT
dc.typedoctoral thesis
dspace.entity.typePublication
rcaap.rightsopenAccesspt_PT
rcaap.typedoctoralThesispt_PT

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TD_MConceicaoLeal.pdf
Size:
8.67 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.97 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Matemática Aplicada e Modelação