TEDE Universidade Católica de Santos Programa de Pós-graduação Doutorado em Saúde Coletiva
Please use this identifier to cite or link to this item: https://tede.unisantos.br/handle/tede/8141
Full metadata record
DC FieldValueLanguage
dc.creatorPiva, Marcio Luiz-
dc.creator.Latteshttp://lattes.cnpq.br/7089724930863578pt_BR
dc.contributor.advisor1Martins, Lourdes Conceição-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6226806718300375pt_BR
dc.contributor.referee1Braga, Alfésio Luís Ferreira-
dc.contributor.referee2Pamplona, Daniel Alberto-
dc.contributor.referee3Sumbana, José João-
dc.contributor.referee4Olinda, Ricardo Alves de-
dc.date.accessioned2026-11-16T19:38:58Z-
dc.date.available2026-10-08-
dc.date.available2026-11-16T19:38:58Z-
dc.date.issued2026-10-08-
dc.identifier.citationPIVA, Marcio Luiz. Análise preditiva das coberturas vacinais da BCG e tríplice viral dos municípios do Estado de São Paulo entre 2016 e 2023 utilizando machine learning. 2026. 188 f. Tese (Doutorado) – Universidade Católica de Santos, Programa de Pós-Graduação stricto sensu em Saúde Coletiva, 2026pt_BR
dc.identifier.urihttps://tede.unisantos.br/handle/tede/8141-
dc.description.resumoIntrodução: A cobertura vacinal é considerada um importante indicador de saúde pública, sendo amplamente utilizada em âmbito global. As baixas coberturas vacinais têm provocado sérios problemas à saúde da população brasileira, como o retorno de doenças imunopreveníveis. O estado de São Paulo é composto por 645 municípios que apresentam características socioeconômicas, demográficas, de saúde, educacionais e de cobertura vacinal bastante heterogêneas. Objetivo: Análise preditiva das coberturas vacinais das vacinas BCG e Tríplice Viral (SCR), utilizando dados secundários dos municípios do estado de São Paulo, referentes ao período de 2016 a 2023, através de métodos de Machine Learning. Metodologia: Esta pesquisa tratou-se de um Estudo Epidemiológico Ecológico do Tipo Misto focando na análise dados no período de 2016 a 2023 provenientes dos diversos repositórios públicos utilizando Machine Learning, uma subárea da Inteligência Artificial. Os dados foram preparados, agrupados e analisados estatisticamente para a realização de análise preditiva comparativa entre seis modelos de Machine Learning: Support Vector Machine, Logistic Regression, MultiLayer Perceptron (MLP), Random Forest, LightGBM e XGBoost. Resultados: O modelo XGBoost apresentou o melhor desempenho nas análises comparativas, utilizando-se, sobretudo, a métrica curva ROC-AUC, apresentando valores aproximados de 0,84 para a vacina BCG e 0,70 para a vacina Tríplice Viral (SCR). Por fim, como forma de explicação dos resultados do modelo, foram utilizadas as técnicas SHAP e LIME, permitindo a identificação e listagem dos 20 principais atributos preditores. Conclusão: A vacinação e suas coberturas, como constatado, não são apenas atos clínicos, mas um fenômeno regido por aspectos multidimensionais, como mostraram os preditores apontados pelo modelo, tais como as dimensões econômicas, educacionais, de saúde e de infraestrutura, que tiveram variáveis destacadas nos achados. Dessa forma, modelos preditivos como os aqui empregados podem servir como um sistema de alerta antecipado para a gestão de saúde, permitindo identificar municípios em risco do não atingimento das metas, possibilitando propostas de mitigação.pt_BR
dc.description.abstractIntroduction: Vaccination coverage is an important public health indicator and a key measure for monitoring the performance of immunization programs. Persistently low vaccination coverage poses a significant public health challenge in Brazil and has contributed to the resurgence of vaccine-preventable diseases. The state of São Paulo comprises 645 municipalities characterized by substantial socioeconomic, demographic, health, educational, infrastructural, and vaccination coverage heterogeneity. Objective: To develop predictive models of vaccination coverage for Bacillus Calmette–Guérin (BCG) and Measles, Mumps, and Rubella (MMR) vaccines using secondary data from municipalities in the state of São Paulo, Brazil, for the period from 2016 to 2023, through machine learning methods. Methods: This study was designed as a mixed ecological study, focusing on the analysis of data in the period from 2016 to 2023 obtained from multiple public repositories using machine learning, a subfield of artificial intelligence. The data were prepared, integrated, and statistically analyzed to perform a comparative predictive analysis using six machine learning models: Support Vector Machine, Logistic Regression, Multilayer Perceptron (MLP), Random Forest, LightGBM, and XGBoost. Results: XGBoost achieved the highest ROC-AUC among the evaluated models, with values of approximately 0.84 for BCG vaccination coverage and 0.70 for MMR vaccination coverage. The application of SHAP and LIME enabled the interpretation of model predictions and the identification of the 20 most relevant predictor features. These features encompassed variables related to economic, educational, health, demographic, and infrastructure dimensions, highlighting the multidimensional nature of vaccination coverage across municipalities. Conclusion: As demonstrated by the findings, vaccination and vaccination coverage are not merely clinical phenomena but are influenced by multidimensional factors. The predictors identified by the models included variables related to economic, educational, health, and infrastructure dimensions. Therefore, predictive models such as those employed in this study may serve as early warning systems for public health management, enabling the identification of municipalities at risk of failing to achieve vaccination coverage targets and supporting the development of timely mitigation strategies.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Católica de Santospt_BR
dc.publisher.departmentCentro de Ciências Sociais Aplicadas e Saúdept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsCatólica de Santospt_BR
dc.publisher.programDoutorado em Saúde Coletivapt_BR
dc.relation.referencesPIVA, Marcio Luiz. Análise preditiva das coberturas vacinais da BCG e tríplice viral dos municípios do Estado de São Paulo entre 2016 e 2023 utilizando machine learning. 2026. 188 f. Tese (Doutorado) – Universidade Católica de Santos, Programa de Pós-Graduação stricto sensu em Saúde Coletiva, 2026pt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectsaúde pública; cobertura vacinal; machine learning; modelos preditivospt_BR
dc.subjectpublic health; vaccination coverage; machine learning; predictive modelspt_BR
dc.subject.cnpqCNPQ::CIENCIAS DA SAUDE::SAUDE COLETIVApt_BR
dc.titleAnálise preditiva das coberturas vacinais da BCG e tríplice viral dos municípios do Estado de São Paulo entre 2016 e 2023 utilizando machine learningpt_BR
dc.typeTesept_BR
Appears in Collections:Doutorado em Saúde Coletiva

Files in This Item:
File Description SizeFormat 
Marcio Luiz Piva.pdfTese_Doutorado em Saúde Pública7.48 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.