Avaliação de técnicas de mineração de dados em um conjunto de dados de dermatite ocupacional obtido a partir de um serviço especializado

Abstract

Dermatoses ocupacionais caracterizam-se pela alteração das mucosas, pele e seus anexos que são mantidas, agravadas, condicionadas ou causadas por agentes existentes na atividade laboral ou no ambiente de trabalho. Diante disso, conhecer os fatores que influenciam a ocorrência de uma dermatose ocupacional é importante para o estabelecimento de ações preventivas de proteção ao trabalhador. No Brasil, as principais fontes de dados para a investigação dos acidentes são os benefícios concedidos pela previdência, as informações do Sistema Único de Saúde além de instituições de referência como a Fiocruz (Fundação Oswaldo Cruz). Nos últimos anos, pesquisas têm sido desenvolvidas para aprimorar a assertividade no diagnóstico clínico, investigar de acidentes de trabalho, melhorar políticas públicas e uma de tais vertentes é o aprendizado de máquina. Técnicas de aprendizado de máquina visam aprender com as informações passadas para então encontrar padrões de comportamento que expliquem com considerável nível de confiabilidade os eventos futuros. A presente dissertação apresenta como objetivo de usar técnicas de machine learning para identificar padrões de comportamento entre as variáveis, determinar os fatores de influência e avaliar a relevância dos testes cutâneos da bateria padrão brasileira de testes de contato na incidência de dermatoses ocupacionais. Para alcançar tal objetivo, é proposto o uso da metodologia KDD (Knowledge Discovery in Databases) em um banco de dados do serviço especializado em dermatologia do trabalho da Fiocruz. Como resultados da pesquisa, foram comparadas as técnicas de mineração de dados Random Forest, Catboost, Neural Network, Regressão Logística, Adaboost, Extreme Gradient Boosting em termos das métricas Acuracidade, Sensitividade, Especificidade, Erro, Recall, Precisão, F1 Score, Prevalência, índice Kappa e Area Under the Curve em dois cenários. As técnicas que apresentaram maior acuracidade no segundo cenário foram Random Forest seguido por Catboost e Adaboost. As variáveis de maior influência para Random Forest foram: mãos e antebraços, profissão, mês, diagnóstico de dermatite irritativa e escolaridade. Para avaliar a relevância dos testes cutâneos na incidência das dermatoses ocupacionais realizou-se os testes de Mann-Whitney e t-student e foi constatado que não há indícios de que realizar os testes cutâneos sejam relevantes para determinar a classificação de dermatoses ocupacionais.

Occupational dermatoses are characterized by changes in mucous membranes, skin and their attachments that are maintained, aggravated, conditioned or caused by existing agents in work activity or in the work environment. Therefore, knowing the factors that influence the occurrence of an occupational dermatosis is important for the establishment of preventive actions to protect workers. In Brazil, the main sources of data for the investigation of accidents are the benefits granted by social security, information from the Unified Health System and reference institutions such as Fiocruz (Oswaldo Cruz Foundation). In recent years, research has been developed to improve assertiveness in clinical diagnosis, investigate work accidents, improve public policies and one such aspect is machine learning. Machine learning techniques aim to learn from past information and then find patterns of behavior that explain with considerable level of reliability future events. This dissertation presents as objective to use machine learning techniques to identify patterns of behavior among the variables, determine the factors of influence and evaluate the relevance of skin tests of the Brazilian standard battery of contact tests in the incidence of occupational dermatoses. To achieve this goal, it is proposed the use of the KDD (Knowledge Discovery in Databases) methodology in a database of the specialized service in dermatology of Fiocruz's work. As results of the research, we compared the techniques of data mining Random Forest, Catboost, Neural Network, Logistic Regression, Adaboost, Extreme Gradient Boosting in terms of accuracy, sensitivity, specificity, error, recall, precision, F1 score, prevalence, Kappa Area index and under the curve in two scenarios. The techniques that presented the highest accuracy in the second scenario were Random Forest followed by Catboost and Adaboost. The variables most influenced for Random Forest were: hands and forearms, profession, month, diagnosis of irritative dermatitis and schooling. To evaluate the relevance of skin tests in the incidence of occupational dermatoses, Mann-Whitney and t-student tests were performed and it was found that there is no evidence that performing skin tests is relevant to determine the classification of occupational dermatoses.