Perspectivas do uso de mineração de dados e aprendizado de máquina em saúde e segurança no trabalho

Fernandes, Fernando Timoteo; Chiavegatto Filho, Alexandre Dias Porto

doi:10.1590/2317-6369000019418

Acessibilidade / Reportar erro

Brasil

Revista Brasileira de Saúde Ocupacional

Español English

Brasil

Español English

sumário « anterior atual seguinte »

Sumário

Tema livre/Ensaio • Rev. bras. saúde ocup. 44 • 2019 • https://doi.org/10.1590/2317-6369000019418 copiar

Perspectivas do uso de mineração de dados e aprendizado de máquina em saúde e segurança no trabalho

Data mining and machine learning perspectives for occupational safety and health

Autoria SCIMAGO INSTITUTIONS RANKINGS

Resumo

Introdução:

a variedade, volume e velocidade de geração de dados (big data) possibilitam novas e mais complexas análises.

Objetivo:

discutir e apresentar técnicas de mineração de dados (data mining) e de aprendizado de máquina (machine learning) para auxiliar pesquisadores de Saúde e Segurança no Trabalho (SST) na escolha da técnica adequada para lidar com big data.

Métodos:

revisão bibliográfica com foco em data mining e no uso de análises preditivas com machine learning e suas aplicações para auxiliar diagnósticos e predição de riscos em SST.

Resultados:

a literatura indica que aplicações de data mining com algoritmos de machine learning para análises preditivas em saúde pública e em SST apresentam melhor desempenho em comparação com análises tradicionais. São sugeridas técnicas de acordo com o tipo de pesquisa almejada. Discussão: data mining tem se tornado uma alternativa cada vez mais comum para lidar com bancos de dados de saúde pública, possibilitando analisar grandes volumes de dados de morbidade e mortalidade. Tais técnicas não visam substituir o fator humano, mas auxiliar em processos de tomada de decisão, servir de ferramenta para a análise estatística e gerar conhecimento para subsidiar ações que possam melhorar a qualidade de vida do trabalhador.

Palavras-chave:
mineração de dados; aprendizado de máquina; saúde do trabalhador

Ano	Número de artigos	Duplicidade	Não relacionados	Total
2016	678	3	52	623
2017	938	5	45	888
2018	1842	2	68	1772
Total	3458	10	165	3283

Tipo de aprendizagem	Algoritmo	Aplicação	Referência
Supervisionada	Árvores de decisão	Identificação de probabilidades de desenvolvimento de câncer de pulmão relacionado ao trabalho.	Kim et al.³⁷37. Kim TW, Koh DH, Park CY. Decision tree of occupational lung cancer using classification and regression analysis. Saf Health Work. 2010;1(2):140-8.
		Identificação de transmissão de sífilis da mãe para o filho.	Nakamura et al.³⁸38. Nakamura CY, Otero SD, Carvalho DR. Mineração de dados no enfrentamento da transmissão vertical da sífilis. J Heal Informatics. 2016;8:171-9.
		Identificação de características relacionadas à mortalidade infantil.	Vianna et al.²⁶26. Vianna RCXF, Moro CMCB, Moysés SJ, Carvalho D, Nievola J. Mineração de dados e características da mortalidade infantil. Cad Saúde Pública. 2010;26(3):535-42.
	Redes neurais	Identificação de grupos de trabalhadores com altos riscos de pneumoconiose.	Liu et al.³⁹39. Liu H, Tang Z, Yang Y, Weng D, Sun G, Duan Z, et al. Identification and classification of high risk groups for Coal Workers' Pneumoconiosis using an artificial neural network based on occupational histories: a retrospective cohort study. BMC Public Health. 2009;9:366.
	Redes neurais	Predição de quantidade de perda auditiva de trabalhadores de fábricas de aço.	Aliabadi et al.⁴⁰40. Aliabadi M, Farhadian M, Darvishi E. Prediction of hearing loss among the noise-exposed workers in a steel factory using artificial intelligence approach. Int Arch Occup Environ Health. 2015;88(6):779-87.
	SVM	Classificação de melanomas.	Correa et al.⁷7. Correa DNL, Paniagua LRB, Noguera JLV, Pinto-Roa DP, Toledo LAS. Computerized diagnosis of melanocytic lesions based on the abcd method. Proceedings of the 41st Lat Am Comput Conf CLEI; 2015; Arequipa. Arequipa: CLEI; 2015;19(2):1-22.
	SVM	Estimar internações hospitalares.	Lucini et al.⁴¹41. Lucini FR, Fogliatto FS, Silveira GJC, Neyeloff J, Anzanello MJ, Kuchenbecker RDS, et al. Text mining approach to predict hospital admissions using early medical records from the emergency department. Int J Med Inform. 2017;100:1-8.
	Naïve Bayes	Classificação de declarações textuais de morbidades relacionadas ao trabalho.	Marucci-Wellman et al.²⁸28. Marucci-Wellman HR, Lehto MR, Corns HL. A practical tool for public health surveillance: semi-automated coding of short injury narratives from large administrative databases using Naïve Bayes algorithms. Accid Anal Prev. 2015;84:165-76.
	Random Forests	Predição de gravidez de risco com base em fatores de risco da mãe.	Pan et al.²⁴24. Pan I, Nolan LB, Brown RR, Khan R, van der Boor P, Harris DG, et al. Machine learning for social services: a study of prenatal case management in Illinois. Am J Public Health. 2017;107(6):938-44.
	Random Forests	Detecção de diabetes não diagnosticada.	Oliveira et al.²⁵25. Olivera AR, Roesler V, Iochpe C, Schmidt MI, Vigo Á, Barreto SM, et al. Comparação de algoritmos de aprendizagem de máquina para construir um modelo preditivo para detecção de diabetes não diagnosticada - ELSA-Brasil: estudo de acurácia. São Paulo Med J. 2017;135(3):234-46.
Não supervisionada	SOM	Identificação de padrões de qualidade do ar em séries históricas.	Pearce et al.²¹21. Pearce JL, Waller LA, Chang HH, Klein M, Mulholland JA, Sarnat JA, et al. Using self-organizing maps to develop ambient air quality classifications: a time series example. Environ Health. 2014;13(1):56.
	SOM	Analisar sentimentos de pacientes que passaram por tratamentos de câncer baseado em dados de fóruns especializados	Akay et al.³⁴34. Akay A, Dragomir A, Erlandsson B-E. Network-based modeling and intelligent data mining of social media for improving care. IEEE J Biomed Heal Informatics [Internet]. 2015 [citado em 9 out 2019];19(1):210-8. Disponível em: http://ieeexplore.ieee.org/document/6851846/ http://ieeexplore.ieee.org/document/6851...
	K-means	Análise exploratória e identificação de subgrupos populacionais.	Gao et al.²²22. Gao S, Mutter S, Casey A, Mäkinen VP. Numero: a statistical framework to define multivariable subgroups in complex population-based datasets. Int J Epidemiol. 2019;48(2):369-74.
		Identificação de grupos de caminhoneiros de acordo com comportamentos e hábitos alimentares.	Olson et al.¹⁸18. Olson R, Thompson SV, Wipfli B, Hanson G, Elliot DL, Anger WK, et al. Sleep, dietary, and exercise behavioral clusters among truck drivers with obesity: implications for interventions. J Occup Environ Med. 2016;58(3):314-21.
		Identificação de grupos expostos a diferentes níveis da síndrome de burnout em equipes médicas.	Lee et al.¹⁹19. Lee YC, Huang SC, Huang CH, Wu HH. A new approach to identify high burnout medical staffs by kernel K-means cluster analysis in a regional teaching hospital in Taiwan. Inquiry. 2016;53(2).

Finalidade	Aplicações	Estudos exemplificativos
Complementar a análise exploratória e classificar perfis similares.	Identificação de perfis similares e frequências com uso de SOM adaptado.	Gao et al.²²22. Gao S, Mutter S, Casey A, Mäkinen VP. Numero: a statistical framework to define multivariable subgroups in complex population-based datasets. Int J Epidemiol. 2019;48(2):369-74.
	Identificação de perfis similares com uso de k-means.	Olson et al.¹⁸18. Olson R, Thompson SV, Wipfli B, Hanson G, Elliot DL, Anger WK, et al. Sleep, dietary, and exercise behavioral clusters among truck drivers with obesity: implications for interventions. J Occup Environ Med. 2016;58(3):314-21.
	Identificação de perfis similares com uso de k-means.	Lee et al.¹⁹19. Lee YC, Huang SC, Huang CH, Wu HH. A new approach to identify high burnout medical staffs by kernel K-means cluster analysis in a regional teaching hospital in Taiwan. Inquiry. 2016;53(2).
Predição de desfechos como adoecimento ou mortalidade.	Predição de diabetes com uso de redes neurais, k-nn e Random Forest.	Oliveira et al. ²⁵25. Olivera AR, Roesler V, Iochpe C, Schmidt MI, Vigo Á, Barreto SM, et al. Comparação de algoritmos de aprendizagem de máquina para construir um modelo preditivo para detecção de diabetes não diagnosticada - ELSA-Brasil: estudo de acurácia. São Paulo Med J. 2017;135(3):234-46.
	Predição de hipertensão e riscos associados com mineração textual e árvore de decisão.	Ramezankhani et al.²³23. Ramezankhani A, Kabir A, Pournik O, Azizi F, Hadaegh F. Classification-based data mining for identification of risk patterns associated with hypertension in Middle Eastern population: a 12-year longitudinal study. Medicine (Baltimore). 2016;95(35):e4143.
	Predição de óbitos infantis e fatores de risco com uso de árvores de decisão.	Vianna et al.²⁶26. Vianna RCXF, Moro CMCB, Moysés SJ, Carvalho D, Nievola J. Mineração de dados e características da mortalidade infantil. Cad Saúde Pública. 2010;26(3):535-42.
Monitoramento e vigilância - epidemias e fatores ambientais.	Mineração de dados textuais de redes sociais e uso de SVM para identificar casos reais de influenza.	Allen et al.⁴²42. Allen C, Tsou MH, Aslam A, Nagel A, Gawron JM. Applying GIS and machine learning methods to twitter data for multiscale surveillance of influenza. PLoS One. 2016;11(7):e0157734.
	Análise da qualidade do ar em séries históricas com o uso de SOM.	Pearce et al.²¹21. Pearce JL, Waller LA, Chang HH, Klein M, Mulholland JA, Sarnat JA, et al. Using self-organizing maps to develop ambient air quality classifications: a time series example. Environ Health. 2014;13(1):56.
Suporte para decisão.	Classificação de melanomas por meio de análise de imagens e uso de SVM para categorização do desfecho.	Correa et al.⁷7. Correa DNL, Paniagua LRB, Noguera JLV, Pinto-Roa DP, Toledo LAS. Computerized diagnosis of melanocytic lesions based on the abcd method. Proceedings of the 41st Lat Am Comput Conf CLEI; 2015; Arequipa. Arequipa: CLEI; 2015;19(2):1-22.
Análise de registros administrativos.	Mineração textual em registros administrativos e classificação de doenças com uso de Naïve Bayes.	Marucci-Wellman et al.²⁸28. Marucci-Wellman HR, Lehto MR, Corns HL. A practical tool for public health surveillance: semi-automated coding of short injury narratives from large administrative databases using Naïve Bayes algorithms. Accid Anal Prev. 2015;84:165-76.
Análise de registros administrativos.	Mineração textual e uso de SVM para predição de internações hospitalares.	Lucini et al.⁴¹41. Lucini FR, Fogliatto FS, Silveira GJC, Neyeloff J, Anzanello MJ, Kuchenbecker RDS, et al. Text mining approach to predict hospital admissions using early medical records from the emergency department. Int J Med Inform. 2017;100:1-8.
Análise de sentimentos.	Mineração textual em uma rede social para analisar a opinião pública em relação à vacinação contra o vírus HPV. Uso do algoritmo SVM para classificar as opiniões como contrárias ou a favor da vacinação.	Du et al.⁴³43. Du J, Xu J, Song HY, Tao C. Leveraging machine learning-based approaches to assess human papillomavirus vaccination sentiment trends with Twitter data. BMC Med Inform Decis Mak. 2017;17(Suppl 2):69.

Fundação Jorge Duprat Figueiredo de Segurança e Medicina do Trabalho - FUNDACENTRO Rua Capote Valente, 710 , 05409 002 São Paulo/SP Brasil, Tel: (55 11) 3066-6076 - São Paulo - SP - Brazil
E-mail: rbso@fundacentro.gov.br

Acompanhe os números deste periódico no seu leitor de RSS

[1] Contato: Fernando Timoteo Fernandes E-mail: fernando.fernandes@fundacentro.gov.br