Predicting occupationa laccidents in Brazil: a machine learning based approach

• Ano de defesa: 2025
• Autor(a) principal: Toledo, Jefferson de Morais
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Acidentes de trabalho; Aprendizado de m?quina; Algoritmos de regress?o
• Link de acesso: http://repositorio.ifpb.edu.br/jspui/handle/177683/4846

Acidentes de trabalho representam um s?rio problema social no Brasil, muitas vezes causando mortes de trabalhadores ou incapacidade permanente para o trabalho. Portanto, ? necess?rio estudar distribui??o estat?stica desses acidentes no pa?s e avaliar a possibilidade de prever a ocorr?ncia desses fen?menos. Neste trabalho, obtemos um conjunto de dados unificado, que chamamos de BrStats, com dados estat?sticos de todas as cidades brasileiras, integrando dados p?blicos relacionados ? popula??o, economia, educa??o e sa?de. Em seguida, usamos o BrStats e adicionamos mais dados relacionados a acidentes de trabalho, inspe??es trabalhistas e emprego para obter conjuntos de dados que s?o usados para treinar modelos de aprendizado de m?quina (ML) para prever a ocorr?ncia de acidentes de trabalho no Brasil. Primeiramente, prevemos o n?mero de acidentes de trabalho em cada atividade econ?mica nos estados brasileiros treinando modelos de regress?o linear, m?quina de vetores de suporte (SVM), XGBoost e LightGBM. Neste cen?rio, obtemos valores de R2 pr?ximos a 0,9. Prevemos, ent?o, o n?mero de acidentes de trabalho em cidades brasileiras usando regress?o linear como baseline, al?m de algoritmos de ?rvores de decis?o e gradient boosting (Gradient Boosting, LightGBM, XGBoost e CatBoost), com a ado??o de otimiza??o bayesiana para ajustar os hiperpar?metros dos algoritmos. Tamb?m usamos uma t?cnica de sele??o de features baseada na import?ncia das features para avaliar quais vari?veis apresentam maior signific?ncia nas predi??es. Os modelos apresentam alto desempenho, com a m?trica R-quadrado atingindo valores superiores a 0,90. Os resultados obtidos neste trabalho podem auxiliar o governo e as empresas a adotarem a??es preventivas para evitar acidentes de trabalho, reduzindo os custos humanos e previdenci?rios do pa?s.