Utilização de Redes Neurais em Grafo para prever surtos de doenças: uma abordagem testando propagação de informação em uma rede convolucional

Abstract

Este trabalho consiste em explorar computacionalmente os dados provenientes da pandemia do Coronavirus (COVID-19) registrados no Sistema de Saúde Unificado (SUS) do estado de Santa Catarina. Os dados foram extraídos de um CSV e orientados em grafos para estruturação e desenvolvimento do problema. Propôs-se um modelo que permita realizar predições sobre o número de casos confirmados em uma data futura. Uma única rede neural foi desenvolvida com uma arquitetura orientada a grafos, cada mesoregião representa um nodo e as conexões entre os nodos estão limitadas - assim como geograficamente - por suas mesoregiões vizinhas. Buscou-se explorar os mais variados tipos de hiperparâmetros (Taxa de Dropout, Taxa de Aprendizado, Número de Canais, Número de Camadas e Pesos) com o uso do framework Optuna, a fim de encontrar um modelo que apresente o menor Erro Absoluto Médio (MAE) para rede, observando valores preditos desconhecidos. Este modelo foi treinado utilizando janelas fixas de tempo (15 e 7 dias), avançando diariamente o que resultou em um modelo desempenha bem para dados já conhecidos e com possível enviesamento dos resultados preditos.

This work involves computationally exploring data from the Coronavirus (COVID-19) pandemic recorded in the Unified Health System (SUS) of the state of Santa Catarina. The data were extracted from a CSV and structured into graphs for problem development. A model was proposed that allows making predictions about the number of confirmed cases on a future date. A single neural network was developed with a graph-oriented architecture, each mesoregion represents a node, and the connections between the nodes are limited - just as geographically - by their neighboring mesoregions. The aim was to explore various types of hyperparameters (Dropout Rate, Learning Rate, Number of Channels, Number of Layers, and Weights) using the Optuna framework, in order to find a model that presents the lowest Mean Absolute Error (MAE) for the network, observing unknown predicted values. This model was trained using fixed time windows (15 and 7 days), advancing daily, which resulted in a model that performs well for known data and with possible bias in the predicted results.