Machine learning in predicting severe acute respiratory infection outbreaks / Aprendizado de máquina na previsão de surtos de síndrome respiratória aguda grave / Aprendizaje automático en la predicción de brotes de síndrome respiratorio agudo grave

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Multi-categorical classification using deep learning applied to the diagnosis of gastric cancer / Classificação multicategórica utilizando aprendizagem profunda aplicada ao diagnóstico de adenocarcinoma gástrico

ABSTRACT Introduction: Pathologists currently face a substantial increase in workload and complexity of their diagnosis work on different types of cancer. This is due to the increased incidence and detection of neoplasms, associated with diagnostic subspecialization and the advent of personalized medicine. There are numerous treatments available for different types of cancer, and the diagnosis must be dispensed quickly and accurately for each case. Deep learning is a tool that has been used in daily life, including image detection, and there is growing interest in its application in Medicine and especially in Pathology, where it has a revolutionary potential. Objective: In this article, we present deep learning, in particular convolutional neural networks, as a potential technique for the analysis of digitized images of histopathological slides, detecting identifiable patterns in an automated manner, introducing the possibility of applying this technology as an auxiliary tool in the diagnosis of neoplasms, especially in gastric cancer, the object of this preliminary study. Method: From a database of digitized images of histopathological slides representative of gastric cancer, we identified three morphological patterns of neoplasia, as well as non-neoplastic tissue patterns, with which we train a convolutional neural network algorithm, designed to identify and categorize similar images within these standards, in an automated manner. Results: The results of identification and automatic classification in the defined categories were satisfactory, with ROC curves above 0.9. Conclusion: The results show the potential application of convolutional neural networks for digitized slides of gastric cancer, in accordance with international literature findings.

RESUMEN Introducción: Los patólogos enfrentan actualmente un aumento sustancial de su trabajo diagnóstico en diferentes tipos de cáncer. Eso ocurre debido al incremento de la incidencia y de la detección de neoplasias, además de la subespecialización diagnóstica y del advenimiento de la medicina personalizada. Hay numerosos tratamientos disponibles para diferentes tipos de cáncer, y el diagnóstico debe ser realizado con celeridad y precisión para cada caso. El aprendizaje profundo es una herramienta que ha sido empleada en el día a día, incluso en la detección de imágenes, y hay creciente interés en su aplicación en Medicina, especialmente en Patología, área en la que presenta potencial revolucionario. Objetivo: En este artículo presentamos el aprendizaje profundo, en especial las redes neuronales convolucionales, como una técnica potencial para el análisis de imágenes digitalizadas de portaobjetos histopatológicos, detectando patrones identificables de forma automatizada, introduciendo la posibilidad de empleo de esa tecnología como herramienta auxiliar en el diagnóstico de neoplasias, principalmente en el adenocarcinoma gástrico, objeto de este estudio preliminar. Métodos: A partir de una base de datos de imágenes digitalizadas de portaobjetos histopatológicos representativos de adenocarcinoma gástrico, identificamos tres patrones morfológicos de la neoplasia, así como patrones de tejidos no neoplásicos, con los cuales entrenamos un algoritmo de red neuronal convolucional, creado para identificar y categorizar imágenes semejantes dentro de eses patrones, de modo automatizado. Resultados: Los resultados de identificación y clasificación automática en las categorías definidas se mostraron satisfactorios, con curvas ROC por encima de 0,9. Conclusión: Los resultados muestran el potencial de aplicación de las redes neuronales convolucionales en portaobjetos digitalizados de adenocarcinoma gástrico, en conformidad con la literatura internacional.

RESUMO Introdução: Os patologistas enfrentam atualmente um aumento substancial na carga e na complexidade de seu trabalho diagnóstico em diferentes tipos de câncer. Isso ocorre devido ao aumento da incidência e da detecção de neoplasias, além da subespecialização diagnóstica e do advento da medicina personalizada. Existem inúmeros tratamentos disponíveis para diferentes tipos de câncer, e o diagnóstico deve ser dado com celeridade e precisão para cada caso. A aprendizagem profunda é uma ferramenta que vem sendo empregada no dia a dia, inclusive na detecção de imagens, e há crescente interesse em sua aplicação na Medicina, especialmente na Patologia, área em que apresenta potencial revolucionário. Objetivo: Neste artigo, apresentamos a aprendizagem profunda, em específico as redes neurais convolucionais, como uma potencial técnica para a análise de imagens digitalizadas de lâminas histopatológicas, detectando padrões identificáveis de forma automatizada, introduzindo a possibilidade de aplicação dessa tecnologia como ferramenta auxiliar no diagnóstico de neoplasias, principalmente no adenocarcinoma gástrico, objeto deste estudo preliminar. Métodos: A partir de um banco de dados de imagens digitalizadas de lâminas histopatológicas representativas de adenocarcinoma gástrico, identificamos três padrões morfológicos da neoplasia, bem como padrões de tecidos não neoplásicos, com os quais treinamos um algoritmo de rede neural convolucional, criado com a finalidade de identificar e categorizar imagens similares dentro desses padrões, de forma automatizada. Resultados: Os resultados de identificação e classificação automática nas categorias definidas mostraram-se satisfatórios, com curvas ROC acima de 0,9. Conclusão: Os resultados evidenciam o potencial de aplicação das redes neurais convolucionais em lâminas digitalizadas de adenocarcinoma gástrico, consoantes com a literatura internacional.

Eficiência de diferentes redes neurais para discriminar dados de biomecânica / Efficiency of different neural networks algorithms to discriminate biomechanical data

Este estudo analisou a eficiência de diferentes algoritmos de máquina de vetor de suporte (SVM) para discriminar dados de diferentes sujeitos. Utilizou-se dados previamente coletados de idosos e jovens com 3 coletas por sujeito, em um estudo de controle postural na plataforma de força. Os dados foram analisados a partir da densidade espectral de potência (PSD) do centro de pressão sobre a qual foi aplicada a análise de componentes principais (PCA) para reduzir a dimensionalidade dos dados. A SVM recebeu a PCA com 90% de variância da PSD original e utilizando diferentes núcleos de produto interno calculou a eficiência de cada um para diferenciar grupos com características distintas.A SVM que obteve o melhor desempenho foi a de núcleo Polinomial, com uma eficiência de 90% aproximadamente, no entanto, o resultado é dependente dos dados a serem classificados, e se faz necessário então uma ferramenta que possa utilizar diferentes núcleos.

This study analyze the efficiency of different algorithms of support vector machine (SVM) to discriminate data from different subjects. It was used data previously collected from elderly and young people with 3 collectionsby subject, in a postural control study on a force plate. Data were analyzed from the power spectral density (PSD)of the center of pressure on which was applied principal component analysis (PCA) to reduce the dimensionality ofthe data. The SVM received the PCA with 90% of the variance of the original PSD and using different inner productkernels was calculated the efficiency of each one to differentiate between groups with different characteristics. TheSVM that have the best performances was the Polynomial with an efficiency of 90% approximately, however, the result depends on data to be classified and it is necessary then a tool that can use different cores.

Uso das redes neurais artificiais na aplicação de metodologia para alocação de recursos da saúde / Use of artificial neural networks in applying methodology for allocating health resources / Uso de las redes neurales artificiales en la aplicación de metodología para asignación de recursos de la salud

OBJETIVO: Descrever a construção de fator de alocação de recursos financeiros com base na necessidade em saúde da população. MÉTODOS: Estudo quantitativo, com dados coletados em bases de domínio público, referentes ao estado de Pernambuco nos anos entre 2000 e 2010. Foram selecionadas variáveis que refletissem os indicadores epidemiológicos, demográficos, socioeconômicos e educacionais para compor um fator de alocação que apontasse as necessidades de saúde da população. As fontes pesquisadas foram: Departamento de Informática do Sistema Único de Saúde, Atlas do Desenvolvimento Humano no Brasil, Instituto Brasileiro de Geografia e Estatística, Sistema de Informações sobre Orçamentos Públicos em Saúde, Tesouro Nacional e dados da Secretaria Estadual de Saúde de Pernambuco de 2000 a 2010, de acordo com a disponibilidade da informação mais recente. Foi realizada a correlação linear de Pearson e, para o cálculo do fator de alocação, a análise pelas Redes Neurais Artificiais. Os quartis dos municípios foram definidos segundo as necessidades em saúde. RESULTADOS: A distribuição apresentada aponta a Região Litorânea e boa parte da Região da Mata Norte e Sul e do Agreste Setentrional e Central situados no Quartil 1, este com o maior número de municípios. O Agreste Meridional teve municípios em todos os quartis. Na Região do Pajeú/Moxotó, grande parte dos municípios esteve no Quartil 1. Semelhante distribuição foi verificada no Sertão Central. No Araripe, a maioria dos municípios esteve nos Quartis 3 ou 4 e a Região do São Francisco ficou dividida entre os Quartis 1, 2 e 3. CONCLUSÕES: O fator de alocação agregou os municípios pernambucanos, por agrupar variáveis que são relacionadas com as necessidades em saúde da população, e separou os que possuem extremas necessidades de maior aporte financeiro daqueles que precisam com menor intensidade.

OBJECTIVE: To describe the construction of a factor of allocation of financial resources, based on the population's health needs. METHODS: Quantitative study with data collected from public databases referring to the state of Pernambuco, Northeastern Brazil, between 2000 and 2010. Variables which reflected epidemiological, demographic, socio-economic and educational processes were selected in order to create a factor of allocation which highlighted the health needs of the population. The data sources were: SUS (Brazilian Unified Health System) Department of Computer Science, Atlas of Human Development in Brazil, IBGE (Brazilian Institute of Geography and Statistics), Information System on Public Health Budgets, National Treasury and data from the Pernambuco Health Secretariat between 2000 and 2010. Pearson's coefficient was used to assess linear correlation and the factor of allocation was calculated using analysis by artificial neural networks. The quartiles of the municipalities were defined according to their health needs. RESULTS: The distribution shown here highlights that all the coastal region, a good part of the Mata Norte and Mata Sul regions and the Agreste Setentrional and Agreste Central regions are in Quartile 1, that which has the largest number of municipalities. The Agreste Meridional region had municipalities in all of the quartiles. In the Pajeú/Moxotó region, many of the municipalities were in Quartile 1. Similar distribution was verified in the Sertão Central region. In the Araripe region, the majority of the municipalities were in Quartiles 3 or 4 and the São Francisco region was divided between Quartiles 1, 2 and 3. CONCLUSIONS: The factor of allocation grouped together municipalities of Pernambuco according to variables related to public health needs and separated those with extreme needs, requiring greater financial support, from those with lesser needs.

OBJETIVO: Describir la construcción de factor de asignación de recursos financieros basándose en la necesidad en la salud de la población. MÉTODOS: Estudio cuantitativo, con datos colectados en bases de dominio público, referentes al estado de Pernambuco, Brasil, en los años entre 2000 y 2010. Se seleccionaron variables que reflejasen los indicadores epidemiológicos, demográficos, socioeconómicos y educacionales para componer un factor de asignación que señale las necesidades de salud de la población. Las fuentes investigadas fueron: Departamento de Informática del Sistema Único de Salud, el Atlas de Desarrollo Humano en Brasil, el Instituto Brasileño de Geografía y Estadística, el Sistema de Informaciones sobre Presupuestos Públicos en Salud, el Tesoro Nacional y datos de la Secretaria Estatal de Salud de Pernambuco de 2000 a 2010, de acuerdo con la disponibilidad de la información más reciente. Se realizó la correlación linear de Pearson y para el cálculo del Factor de Asignación, el análisis por las redes neurales artificiales. Los cuartiles de los municipios fueron definidos según las necesidades en salud. RESULTADOS: La distribución presentada sitúa la Región Costera y buena parte de la Región de la Selva Norte y Sur y del Agreste Septentrional y Central, en el Cuartil 1, con el mayor número de municipios. El Agreste Meridional tuvo municipios en todos los cuartiles. En la Región de los ríos Pajeú/Moxotó, gran parte de los municipios estuvo en el Cuartil 1. Se verificó distribución semejante en el Sertón Central. En el Araripe, la mayoría de los municipios estuvo en los Cuartiles 3 o 4, y la Región de Sao Francisco se dividió entre los Cuartiles 1, 2 y 3. CONCLUSIONES: El factor de Asignación agregó los municipios pernambucanos, por agrupar variables que son relacionadas con las necesidades en salud de la población y separó los que poseen extremas necesidades de mayor aporte financiero de aquellos que lo precisan con menor intensidad.

Diagnóstico do ceratocone baseado no Orbscan com o auxílio de uma rede neural / Detection of keratoconus based on a neural network with Orbscan

OBJETIVO: Desenvolver uma rede neural artificial para classificar em normal ou portador de ceratocone os pacientes submetidos ao exame do Orbscan II TM. MÉTODOS: Foi realizado um estudo retrospectivo envolvendo 98 exames de 59 pacientes. Utilizando o programa Java Neural Network 1.1 foi criada uma rede neural artificial para classificar os exames entre os dois grupos (normais e portadores de ceratocone). Foram utilizados 73 exames para treinamento e validação da rede, e 25 para testar o seu funcionamento. RESULTADOS: Dos 73 exames utilizados no treinamento da rede, 59 eram normais e 14 mostravam alterações relacionadas ao ceratocone. O método utilizado para treinamento da rede foi o "backpropagation". A taxa de aprendizado utilizada foi de 0,2, e a taxa de tolerância de erro 0,05. Dos 25 exames utilizados para a avaliação da eficácia da rede, 19 eram normais, e 6 apresentavam ceratocone. Após o treinamento a rede apresentou sensibilidade e especificidade de 83 e 100 por cento, respectivamente. CONCLUSÃO: A rede neural artificial representa uma opção útil e viável para auxiliar na classificação de exames realizados com o Orbscan II TM.

PURPOSE: To evaluate an artificial neural network in order to correctly identify Orbscan II TM tests of patients with normal and keratoconus corneas. METHODS: A retrospective analysis included 98 Orbscan II TM tests of 59 subjects and an artificial neural network was created and trained based on the Java Neural Network 1.1 software. Seventy-three tests (59 normal tests and 14 keratoconus examinations) were applied to train the neural network and 25 eyes were used to test the method (19 normal eyes and 6 cases of keratoconus corneas). RESULTS: Backpropagation method was performed to train the neural network to 5 percent error and 0.2 learning rate. The trained neural network presented sensibility and specificity of 83 and 100 percent respectively. CONCLUSION: Artificial neural network can accurately help clinicians to classify keratoconus in Orbscan II TM tests.

Neural networks and statistical analysis for classification of corneal videokeratography maps based on Zernike coefficients: a quantitative comparison / Redes neurais e análise estatística para classificação de mapas topográficos da córnea baseados em coeficientes de Zernike: uma comparação quantitativa

PURPOSE: The main goal of this study was to develop and compare two different techniques for classification of specific types of corneal shapes when Zernike coefficients are used as inputs. A feed-forward artificial Neural Network (NN) and discriminant analysis (DA) techniques were used. METHODS: The inputs both for the NN and DA were the first 15 standard Zernike coefficients for 80 previously classified corneal elevation data files from an Eyesys System 2000 Videokeratograph (VK), installed at the Departamento de Oftalmologia of the Escola Paulista de Medicina, São Paulo. The NN had 5 output neurons which were associated with 5 typical corneal shapes: keratoconus, with-the-rule astigmatism, against-the-rule astigmatism, "regular" or "normal" shape and post-PRK. RESULTS: The NN and DA responses were statistically analyzed in terms of precision ([true positive+true negative]/total number of cases). Mean overall results for all cases for the NN and DA techniques were, respectively, 94 percent and 84.8 percent. CONCLUSION: Although we used a relatively small database, results obtained in the present study indicate that Zernike polynomials as descriptors of corneal shape may be a reliable parameter as input data for diagnostic automation of VK maps, using either NN or DA.

OBJETIVOS: Nosso principal objetivo neste trabalho foi de desenvolver e comparar duas técnicas diferentes para classificação de superfícies corneanas. Uma rede neural artificial alimentada adiante e análise descriminante foram as técnicas de classificação comparadas neste trabalho. MÉTODOS: As entradas para ambos os métodos de classificação foram os primeiros 15 coeficientes de Zernike para 80 córneas mensuradas anteriormente em um topógrafo Eyesys instalado no Departamento de Oftalmologia da Escola Paulista de Medicina - UNIFESP. A rede neural tem 5 saídas que foram associados aos cinco casos típicos contidos na base de dados: ceratocone, astigmatismo a favor da regra, astigmatismo contra a regra, formato "regular" ou "normal" e pós-PRK. RESULTADOS: Os resultados de ambos os métodos foram estatisticamente analisados em termos de precisão. Os resultados gerais para ambos os métodos de redes neurais e análise discriminante foram 94 por cento e 84,8 por cento, respectivamente. CONCLUSÃO: Embora tenha-se utilizado uma base de dados relativamente pequena, os resultados obtidos aqui indicam que os polinômios de Zernike podem ser um parâmetro de entrada para classificação de diferentes formatos de córnea, tanto para uso com redes neurais ou análise discriminante.