Machine Learning for Social Services: A Study of Prenatal Case Management in Illinois

Pan, Ian; Nolan, Laura; Brown, Rashida; Khan, Romana; Boor, Paul van der; Harris, Daniel G.; Ghani, Rayid

doi:10.2105/ajph.2017.303711

Cited by 36 publications

(27 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Modelos preditivos baseados em algoritmos de machine learning têm sido aplicados na área da saúde com potencial para auxiliar profissionais de saúde na tomada de melhores decisões, como mostram estudos recentes 12,31 . Entretanto, seu sucesso depende da disponibilidade de dados para a etapa de aprendizado de modelos preditivos e de capital humano para entender e desenvolver esses modelos de forma rigorosa e transparente.…”

Section: Discussão E Conclusõesunclassified

Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil

et al. 2019

View full text Add to dashboard Cite

Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, BrasilMachine learning for predictive analyses in health: an example of an application to predict death in the elderly in São Paulo, BrazilMachine learning para análisis predictivos en salud: ejemplo de aplicación para la predicción de óbitos en ancianos de São Paulo, Brasil Cad. Saúde Pública 2019; 35 (7):e00050818 QUESTÕES METODOLÓGICAS METHODOLOGICAL ISSUES Este é um artigo publicado em acesso aberto (Open Access) sob a licença Creative Commons Attribution, que permite uso, distribuição e reprodução em qualquer meio, sem restrições, desde que o trabalho original seja corretamente citado. Santos HG et al. 2 Cad. Saúde Pública 2019; 35(7):e00050818Introdução A análise preditiva consiste na aplicação de algoritmos para compreender a estrutura dos dados existentes e gerar regras de predição. Esses algoritmos podem ser utilizados em um cenário não supervisionado, em que apenas preditores (covariáveis) estão disponíveis no conjunto de dados, ou em problemas supervisionados, quando, além dos preditores, está disponível também uma resposta de interesse, responsável por guiar a análise 1 . Na área da saúde, modelos preditivos podem ser utilizados para estimar o risco de determinado desfecho ocorrer, dado um conjunto de características socioeconômicas, demográficas, relacionadas ao hábito de vida e às condições de saúde, entre outras. Seus resultados, quando combinados a medidas de saúde pública aplicadas em nível populacional, podem trazer implicações positivas na redução de custos e na efetividade de intervenções, como tratamentos e ações preventivas. Adicionalmente, conhecer o risco de um desfecho ocorrer pode auxiliar gestores responsáveis por formular e avaliar políticas públicas a direcionar intervenções preventivas, considerando a ponderação entre danos e benefícios 2,3 . Historicamente, alguns modelos têm sido desenvolvidos para tentar predizer a ocorrência de desfechos de interesse para a saúde da população. Pesquisadores do Framingham Heart Study desenvolveram funções de risco para doença cardiovascular 4,5 que motivaram políticas públicas para o estabelecimento de medidas preventivas direcionadas a indivíduos com maior risco 6 . Da mesma forma, modelos preditivos de diagnóstico e prognóstico de câncer de mama também têm sido relatados na literatura como ferramenta auxiliar na identificação de indivíduos com maior risco, para os quais, estratégias de rastreamento e tratamento profilático representam intervenções com potencial impacto benéfico no prognóstico da doença 7 .Esses modelos, em geral, são derivados do ajuste de modelos lineares, considerados algoritmos mais simples de machine learning, como o de regressão logística, para desfechos categóricos, e o de regressão linear, para desfechos contínuos. Na última década, novas abordagens têm sido desenvolvidas para acomodar relações não lineares, solucionar problemas de colinearidade e de alta dimensionalidade dos dados, entre outras particulari...

show abstract

Section: Discussão E Conclusõesunclassified

Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil

et al. 2019

View full text Add to dashboard Cite

show abstract

“…O estudo realizado por Correa et al 7 Outro estudo, realizado por Pan et al 24 , comparou a performance de algoritmos de aprendizagem supervisionada, como Naïve Bayes e random forest, para predição de partos considerados de risco, com base em dados históricos e em fatores de risco das mães, como estresse, condições socioeconômicas, má nutrição e idade, conseguindo uma performance preditiva 36% maior em comparação com análises estatísticas tradicionais.…”

Section: Aprendizagem Supervisionadaunclassified

“…Pan et al 24 Oliveira et al 25 Não supervisionada SOM Identificação de padrões de qualidade do ar em séries históricas.…”

Section: Random Forestsunclassified

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

Fernandes

Filho

2019

Rev. bras. saúde ocup.

View full text Add to dashboard Cite

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.

show abstract

“…Characteristic words of each SHRPW category and their Jaccard coe cients ANC, antenatal care; IPV, intimate partner violenceDiscussionResearch ndings to date have shown that preventive measures against child abuse could be taken by identifying the pregnant women at risk for abuse after childbirth 2,3,10,11. The Hawaii Healthy Start Program 10 uses a 15-item screening checklist during pregnancy for the early prevention of child abuse; if there is a possibility of a certain degree of risk, then trained paraprofessionals conduct home visits 11.…”

mentioning

confidence: 99%

Characteristics of Socially High-risk Pregnant Women in Telephone Triage

Ohkawa¹,

Ishikawa

Yoshida

et al. 2020

Preprint

View full text Add to dashboard Cite

BackgroundTo clarify the frequency, co-occurrence of relationships, and characteristic words of socially high-risk pregnant women who contacted the night telephone triage for advice on pregnancy.MethodsWe performed a quantitative study involving 5,548 of 13,496 pregnancy cases recorded by telephone triage. The contents of telephone triage conversations were examined to determine whether they fulfilled the requirements for each category of socially high-risk pregnant women. The frequency, co-occurrence of relationships, and characteristic words of each category ofsocially high-risk pregnant women were analyzed.ResultsThere were 432 socially high-risk pregnant women. Among 15 categories of socially high-risk pregnant women, young pregnant women (183 cases), mental illness (88 cases), and no antenatal care (80 cases) were the top three categories. There was a strong co-occurring relationship between the following categories of socially high-risk pregnant women: out of touch and lack of supporters; no antenatal care and money matters; out of touch and unmarried; no antenatal care and no issue; money matters and lack of supporters; no issue and lack of supporters; and money matters and unmarried. In characteristic words, some words did not overlap with the top 10 words in other categories.ConclusionsA telephone triage that allows pregnant women to freely talk about their concerns with a coordinator might be useful for detecting socially high-risk pregnant women. To efficiently identify socially high-risk pregnant women, it might be necessary to understand the characteristic words of each category and subsequently determine if the client fulfills the criteria for more than one category of socially high-risk pregnant women.

show abstract

Machine Learning for Social Services: A Study of Prenatal Case Management in Illinois

Abstract: Our analysis exhibits the potential for machine learning to move government agencies toward a more data-informed approach to evaluating risk and providing social services. Overall, such efforts will improve the efficiency of allocating resource-intensive interventions.

Cited by 36 publications

References 19 publications

Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil

Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil

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

Characteristics of Socially High-risk Pregnant Women in Telephone Triage

Contact Info

Product

Resources

About