Please use this identifier to cite or link to this item:
https://www.arca.fiocruz.br/handle/icict/47655
CLASSIFICATION ALGORITHM FOR CONGENITAL ZIKA SYNDROME: CHARACTERIZATIONS, DIAGNOSIS AND VALIDATION
Author
Affilliation
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade Federal da Bahia. Instituto de Ciências da Saúde. Salvador, BA, Brasil.
Universidade Federal do Rio Grande do Sul. Porto Alegre, RS, Brasil.
Ministério da Saúde. Secretaria de Vigilância em Saúde. Brasília, DF, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade Federal da Bahia. Instituto de Física. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade Federal da Bahia. Instituto de Saúde Coletiva. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / University of London. London School of Hygiene and Tropical Medicine. London, England, United Kingdom.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade Federal da Bahia. Instituto de Saúde Coletiva. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade do Porto. Centro de Matemática. Departamento de Matemática. Porto, Portugal.
Ministério da Defesa. Hospital das Forças Armadas. Brasília, DF, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Fiocruz Rondônia. Porto Velho, RO, Brasil.
Universidade Federal do Rio Grande do Sul. Porto Alegre, RS, Brasil.
Ministério da Saúde. Secretaria de Vigilância em Saúde. Brasília, DF, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade Federal da Bahia. Instituto de Física. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade Federal da Bahia. Instituto de Saúde Coletiva. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / University of London. London School of Hygiene and Tropical Medicine. London, England, United Kingdom.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade Federal da Bahia. Instituto de Saúde Coletiva. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil / Universidade do Porto. Centro de Matemática. Departamento de Matemática. Porto, Portugal.
Ministério da Defesa. Hospital das Forças Armadas. Brasília, DF, Brasil.
Fundação Oswaldo Cruz. Instituto Gonçalo Moniz. Centro de Integração de Dados e Conhecimento para Saúde. Salvador, BA, Brasil.
Fundação Oswaldo Cruz. Fiocruz Rondônia. Porto Velho, RO, Brasil.
Abstract
Zika virus was responsible for the microcephaly epidemic in Brazil which began in October 2015 and brought great challenges to the scientifc community and health professionals in terms of diagnosis and classifcation. Due to the difculties in correctly identifying Zika cases, it is necessary to develop an automatic procedure to classify the probability of a CZS case from the clinical data. This work presents a machine learning algorithm capable of achieving this from structured and unstructured available data. The proposed algorithm reached 83% accuracy with textual information in medical records and image reports and 76% accuracy in classifying data without textual information. Therefore, the proposed algorithm has the potential to classify CZS cases in order to clarify the real efects of this epidemic, as well as to contribute to health surveillance in monitoring possible future epidemics.
Share