EXPLORANDO A APLICAÇÃO DE MODELOS DE APRENDIZAGEM DE MÁQUINA NA ANÁLISE DE SUSPEITA DE DIABETES
Uma Investigação Preliminar
Palavras-chave:
Inteligência Artificial, Aprendizado de Máquina, Aprendizado Supervisionado, Diabetes Mellitus, Diagnóstico PrecoceResumo
O estudo conduzido aborda a possibilidade de empregar modelos de aprendizado de máquina para auxiliar no diagnóstico precoce do diabetes mellitus, uma condição crônica que impacta significativamente a qualidade de vida dos pacientes e sobrecarrega os sistemas de saúde. O objetivo principal é explorar o uso de aprendizado de máquina para auxiliar na análise de risco para um diagnóstico do diabetes, complementando a análise médica tradicional. Os dados empregados como conjunto de testes foram processados e normalizados e técnicas de balanceamento como SMOTE e undersampling foram empregadas, preparando os dados para treinar três modelos: Keras Neural Network, Random Forest e Gradient Boosting. Os resultados mostram que o modelo Random Forest tem a melhor performance geral, com alta precisão e capacidade de minimizar falsos positivos, características especialmente importantes dado o contexto do estudo, evitando diagnósticos incorretos ou casos verdadeiros passando desapercebidos. O estudo também evidencia que técnicas de geração sintética de dados podem melhorar a representatividade de conjuntos de dados médicos desbalanceados, reforçando seu potencial para aplicações futuras em medicina.Arquivos adicionais
Publicado
2024-09-09
Edição
Seção
Artigos
Licença
Copyright (c) 2024 Revista Científica da UNIFENAS - ISSN: 2596-3481
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Clique no link abaixo para fazer download do arquivo de Declaração de Direitos Autorais. Preencha seus campos, com as respectivas assinaturas dos autores no formato de imagens e o insira como arquivo suplementar em sua submissão.
Declaração de responsabilidade e transferência de direitos autorais