Predição do diagnóstico de acidente vascular cerebral em adultos: aplicação de machine learning

• Ano de defesa: 2024
• Autor(a) principal: Maciel, Nathanael De Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual do Ceará
• Link de acesso: https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=113449

O acidente vascular cerebral (AVC) constitui um problema de saúde coletiva em virtude das elevadas taxas de prevalência, incidência e mortalidade. Identificar pessoas com maior risco de desenvolver doenças cerebrovasculares vêm sendo uma preocupação internacional. Nesse contexto, machine learning pode ser uma ferramenta para interpretar e sintetizar dados acerca desse problema, de modo a apoiar na tomada de decisões. Assim, objetivou-se aplicar técnicas de machine learning para o desenvolvimento de modelo preditivo de acidente vascular cerebral em adultos. Inicialmente, foi realizada uma revisão de escopo com critérios baseados na população, conceito e contexto, de modo a responder a questão: “Qual o conhecimento acerca dos algoritmos de machine learning para predição do diagnóstico precoce de acidente vascular cerebral em adultos?”. Posteriormente, foi conduzido estudo ecológico, utilizando dados da Pesquisa Nacional de Saúde de 2019. A abordagem incluiu o Cross-Industry Standard Process for Data Mining e os algoritmos XGBoost, MultiLayer Perceptron e K-Nearest Neighbors. As métricas utilizadas para avaliar o desempenho dos modelos foram precisão, recall, F1-score, acurácia e índice kappa. A revisão de escopo identificou oito artigos, abordando algoritmos como Floresta Aleatória, Rede Neural Profunda e Árvore de Decisão. Os estudos destacaram variáveis como informações demográficas, fatores de risco individuais e sociais, comportamentais e estilo de vida. No estudo ecológico, observou-se relação entre hipertensão arterial, diabetes, histórico de cardiopatia, dislipidemia e acidente vascular cerebral. O modelo XGBoost demonstrou eficácia notável, acertando 85,4% dos casos, com um recall de 89,8%. Os modelos MultiLayer Perceptron e K-Nearest Neighbors apresentaram desempenho sólido, mas com limitações em relação ao recall e F1-score. Portanto, este trabalho converge para a promissora utilização de algoritmos de machine learning na predição do diagnóstico de acidente vascular cerebral em adultos. A revisão de escopo forneceu uma visão do conhecimento global, enquanto o estudo ecológico destaca a eficácia do modelo XGBoost. Esses achados podem contribuir para avanços no diagnóstico do AVC, permitindo identificar riscos precocemente e aplicar medidas preventivas, fortalecendo a capacidade do sistema de saúde de enfrentar o AVC de maneira personalizada. Palavras-chave: acidente vascular cerebral; doença crônica; inteligência artificial; mineração de dados; saúde coletiva.