EXPLORANDO A APLICAÇÃO DE MODELOS DE APRENDIZAGEM DE MÁQUINA NA ANÁLISE DE SUSPEITA DE DIABETES

Uma Investigação Preliminar

Resumo

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.