Este trabalho propõe um método para hierarquizar a contribuição de
diferentes estratégias para conter a evolução da pandemia de COVID-19 em
diferentes estados do Brasil, nos perÃodos pré- e pós-vacinação. O método proposto
incluiu o aprendizado automático de modelos de regressão utilizando o algoritmo
de aprendizado de máquina XGBoost, e aplicou a teoria dos jogos cooperativos de
Shapley para quantificar a contribuição das caracterÃsticas analisadas para a
variável-alvo. Para interpretar o modelo globalmente, foi usado o SHapley Additive
exPlanations (SHAP), que é um algoritmo baseado na teoria de Shapley. Os
resultados de avaliação do método apontaram a sua eficácia para quantificar a
contribuição de cada variável de forma robusta, e revelam que os percentuais de
cobertura vacinal de primeira e segunda dose, além do fechamento das escolas,
foram as medidas que tiveram maior contribuição na evolução do número de casos
e óbitos por COVID-19. A ponderação das variáveis pode ajudar os atores
responsáveis na elaboração de polÃticas públicas para minimizar os efeitos
socioeconômicos em suas regiões, dado que o Brasil é um paÃs que possui extrema
desigualdade social.
|