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.

Caracterización de los estilos de aprendizaje en estudiantes de tercer año de Medicina / Characterization of the learning styles of the 3rd year students of Medicine

RESUMEN Fundamento: el conocimiento de los estilos de aprendizaje de los estudiantes permite incidir positivamente en su rendimiento académico. Objetivo: caracterizar los estilos de aprendizaje de los estudiantes de tercer año de la carrera de Medicina de la Universidad de Ciencias Médicas de Holguín. Métodos: se realizó una investigación descriptiva con enfoque cuanticualitativo. Se emplearon métodos teóricos: análisis-síntesis e histórico-lógico, empíricos: cuestionario de Honey-Alonso para determinar los estilos de aprendizaje, y los matemático-estadísticos: se calculó el puntaje para los cuatro estilos, la media y su desviación estándar, y se conformaron las redes neuronales a partir de las respuestas. Resultados: los estilos de aprendizaje de los estudiantes se manifestaron con valores promedios muy similares, excepto el reflexivo que se caracterizó por porcentajes elevados de respuesta en ítems que se refieren a la prudencia. La centralidad de los datos está presente en los cuatro estilos, con mayor incidencia en el reflexivo con solo dos ítems periféricos y tres núcleos cuyos enfoques guardan estrecha relación. Conclusiones: predominó el estilo reflexivo en la muestra estudiada, con tendencia a cambios según la madurez intelectual que logren los estudiantes en el transcurso de la carrera.

ABSTRACT Background: knowledge on students´ learning styles allows having a positive impact on their academic performance. Objective: to characterize the learning styles of the third year students of the Medicine degree of Holguín University of Medical Sciences. Methods: a descriptive investigation was carried out within the quantitative-qualitative approach. Theoretical methods were used: analysis-synthesis and historical-logical, empirical ones: Honey-Alonso questionnaire to determine the learning styles of the students, and mathematical-statistics: the score was calculated for the four styles, the mean and its standard deviation, and the neural networks were formed from the answers. Results: the learning styles of the students were manifested with very similar average values, except the reflective one that was characterized by high percentages of response in items that refer to prudence. The centrality of the data is present in the four styles, with greater incidence in the reflective with only two peripheral items, and three nuclei whose approaches are closely related. Conclusions: the reflective style predominated in the studied sample, with a tendency to change according to the intellectual maturity that students achieve during the course of their studies.

Percepción de miembros iberoamericanos de redes internacionales de enfermería sobre la repercusión de las redes en su accionar / Perception by Ibero-American Members of International Networks of Nursing about the Network Repercussion in their Actions

RESUMEN Introducción: A más de 10 años de creadas las Redes de Enfermería de las Américas, se han producido cambios importantes que han modificado el modo de pensar y actuar de los profesionales de enfermería en la región, lo que supone que han desempeñado un papel fundamental en estas transformaciones. Objetivo: Explorar la percepción de miembros iberoamericanos de redes internacionales de enfermería sobre la repercusión de las redes en su accionar. Métodos: Investigación de acción participativa (cualitativa) realizada de marzo a abril de 2017. Se estudiaron motivaciones y percepciones en 11 de 30 miembros de las Redes Internacionales de Enfermería que respondieron a entrevista enviada por correo electrónico, en el procesamiento de datos se tuvieron en consideración tres criterios: favorable, medianamente favorable y no favorable. Resultados: Respondieron el cuestionario 36,66 por ciento de miembros de las Redes Internacionales de Enfermería, 54,54 por ciento de las respuestas fueron favorables, 27,27 por ciento medianamente favorables y 18,18 por ciento no favorables. Conclusiones: La disciplina desarrolla las redes como un medio para fortalecer y enriquecer la profesión en Iberoamérica. Los resultados obtenidos de las respuestas recibidas no fueron los esperados, se requiere de acciones más precisas y puntuales para que estos equipos puedan mantenerse activos y se obtengan mejores resultados de manera colaborativa hacia la salud universal, con el propósito de contribuir al desarrollo sostenible de los sistemas de salud(AU)

ABSTRACT Introduction: More than 10 years after the Nursing Networks in the Americas were created, there have been important changes that have modified the way of thinking and acting of nursing professionals in the region, which means that they have played a fundamental role in these transformations. Objective: To explore the perception of Ibero-American members of international nursing networks about the impact of the networks on their actions. Methods: Participatory action (qualitative) research carried out from March to April 2017. Motivations and perceptions were studied in 11 of 30 members of the International Nursing Networks who responded to an interview sent by email. Three criteria were considered in the processing of the data: favorable, moderately favorable, and not favorable. Results: 36.66 percent of members of the International Nursing Networks answered the questionnaire; 54.54 percent of the answers were favorable, 27.27 percent were moderately favorable, and 18.18 percent were not favorable. Conclusions: The discipline develops networks as a means to strengthen and enrich the profession in Latin America. The results obtained from the responses received were not as expected; more precise and timely actions are required so that these teams can remain active and obtain better results in a collaborative way of acting towards universal health, in order to contribute to the sustainable development of the health systems(AU)

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.