Objectives: Describe a predictive model of hospitalization frequency for children and adolescents with chronic disease. Methods: A decision tree-based model was built using a database of 141 children and adolescents with chronic disease admitted to a federal public hospital; 18 variables were included and the frequency of hospitalization was defined as the outcome. Results: The decision tree obtained in this study could properly classify 80.85% of the participants. Model reading provided an understanding that situations of greater vulnerability such as unemployment, low income, and limited or lack of family involvement in care were predictors of a higher frequency of hospitalization. Conclusions: The model suggests that nursing professionals should adopt prevention actions for modifiable factors and authorities should make investments in health promotion for non-modifiable factors. It also enhances the debate about differentiated care to these patients. RESUMOObjetivos: Descrever um modelo preditor de frequência de internação hospitalar para crianças e adolescentes com doença crônica. Métodos: Foi construído um modelo baseado em árvore de decisão, a partir do banco de dados de 141 crianças e adolescentes, com doença crônica, internados em um hospital público federal. Para construção do modelo, foram incluídas 18 variáveis e a frequência de internação foi definida como desfecho. Resultados: Obteve-se uma árvore de decisão capaz de classificar corretamente 80,85% dos participantes. A leitura do modelo proporcionou o entendimento de que as situações de maior vulnerabilidade, como desemprego, baixa renda, restrições e ausência de envolvimento da família no cuidado, foram preditoras da maior frequência de internação hospitalar. Conclusões: O modelo sugere à enfermagem e equipe ações de prevenção para os fatores modificáveis e investimentos em promoção à saúde para os fatores não modificáveis e fortalece o debate sobre o cuidado diferenciado para esse público. RESUMENObjetivos: Describir un modelo predictor de frecuencia de internación hospitalaria para niños y adolescentes con enfermedades crónicas. Métodos: Se construyó un modelo basado en árboles de decisión, utilizando un banco de datos de 141 niños y adolescentes con enfermedades crónicas internados en hospital público federal. Para elaborar el modelo fueron consideradas 18 variables, la frecuencia de internación fue definida como desenlace. Resultados: Se obtuvo un árbol de decisiones capaz de clasificar correctamente al 80,85% de los participantes. La lectura del modelo permitió entender que las situaciones de mayor vulnerabilidad, como desempleo, bajos ingresos, restricciones y ausencia de compromiso familiar para el cuidado, actuaron como predictoras de mayor frecuencia de internación hospitalaria. Conclusiones: El modelo sugiere a la enfermería y equipo acciones preventivas para aquellos factores modificables, e inversión en promoción de salud para los factores no modificables; fortaleciendo también el debate sobre el cuidado diferenciado para esta población.

Perfil de Internações por doenças Cronicas em crianças e adolescentes Profile of hospitalizations for chronic diseases in children and adolescents

Objective To evaluate the quality of life and associated factors in caregivers of children and adolescents with chronic conditions. Method Cross-sectional study, developed with data from the Children Information System of Adolescents with Chronic Diseases. The sample consisted of 143 caregivers. Data collection took place between August and October 2018. For data analysis, chi-square statistics and Binary Logistic Regression were used. Results Through the study it was possible to identify that the variables that had impact on the low quality of life of the caregiver were: greater number of children with chronic conditions, routine use of medication, and financial limitations, which were considered risk factors. In turn, owning a home and having emotional support were protective factors. Conclusion It was observed that the caregivers had low quality of life, and knowledge of the factors that contribute to this may enable an outstanding care to the caregiver.

Objetivo: avaliar o grau de funcionamento familiar de crianças e adolescentes com doença crônica. Método: estudo quantitativo e transversal realizado em dois serviço de referências do município de João Pessoa entre abril de 2017 a janeiro de 2018. Utilizou-se dois instrumentos, um de cadastro e acompanhamento e outro de avaliação do funcionamento familiar. Na interpretação dos dados, aplicou-se análise de correspondência e peso da evidência. Resultados: participaram 79 cuidadores de crianças e adolescentes com doenças crônicas, na qual identificou-se que 65% foram classificados como famílias funcionais e 35% de famílias disfuncionais, 50,6% eram crianças do sexo feminino, 43% menores de cinco anos, 59,5% pardas. O cuidador principal era a mãe (93,7%), 66,1% pardas, 45,6% casadas, 68,4% desempregadas, renda familiar menor que dois salários mínimos e, cadastrados em programa social do governo (72,2%). Houve relação com família funcional: envolvimento no cuidado, não separação após a descoberta da doença, união familiar após a doença, criança na segunda infância (6-12 anos), criança/adolescente realizando autocuidado, renda familiar, no receber apoio e na dependência de cuidados complexos. A disfuncionalidade familiar esteve inversamente ligada aos fatores de funcionalidade. Conclusão: a capacidade de adaptação e bom funcionamento familiar são mais fortes quando a família possui melhor articulação com sua rede de apoio social.

ResumoAs árvores de decisão são modelos hierárquicos utilizados em várias áreas do conhecimento por sua capacidade preditiva e de resolução de problemas de maneira simples e objetiva. Entretanto, apresentam algumas limitações relacionadas à sua adequação à base de dados e ao se atentar quanto aos procedimentos para seleção dos parâmetros de crescimento e poda a serem adotados. Desta forma, têm-se como objetivo avaliar e discutir a performance do algoritmo J48 para construção de modelos de tomada de decisão em árvore em base de dados com atributos de diferentes tipos. Para tanto, realizaram-se experimentos em 10 bases de dados disponíveis em repositório internacional, considerando como variantes os métodos de treinamento, teste e poda, aplicados em toda base de dados e com o uso dos métodos Wrapper e CFS (Correlation-based Feature Selection) para seleção de atributos. Identi cou-se que na presença de dados contínuos, os únicos modelos que apresentaram boa capacidade preditiva estiveram presentes em situações em que a grande quantidade de exemplos puderam compensar tal de ciência. Os modos de treinamento "validação cruzada" e "divisão por porcentagem" mostraram-se similares em suas predições quando ajustados a 10 folds e 75%, respectivamente. Ademais, a seleção de atributos não foi capaz de gerar melhores predições denotando que tal método de forma isolada não compensa possíveis inadequações nas bases de dados. Pode-se constatar que os resultados referentes à capacidade preditiva dos modelos são fortemente direcionados pelo quantitativo de exemplos pertencentes à base, presença de dados contínuos e de dados com ruído.Palavras-Chave: Árvore de decisão. J48. Modelo de decisão. AbstractDecision trees are hierarchical models used in several areas of knowledge due to their predictive capacity and problem solving in a simple and objective way. However, they present some limitations related to their adequacy to the database and in regard to paying attention to the procedures for selection of growth and pruning parameters to be adopted. In this way, the objective is to evaluate and discuss the performance of the J48 algorithm for the construction of tree decision-making models in databases with attributes of di erent types. Therefore, experiments in 10 databases available in international repository were carried out, considering as variants the training, testing and pruning methods, applied throughout the database and using the Wrapper and Correlation-based Feature Selection (CFS) methods for attribute selection. It was identi ed that in the presence of continuous data, the only models that presented good predictive capacity were present in situations in which the large number of examples could compensate for such de ciency. The cross-validation and percentage split training modes were similar in their predictions when adjusted to 10 folds and 75%, respectively. Furthermore, the selection of attributes was unable to generate better predictions denoting that such a method, in an isolated way, does not compensate for possibl...