Inteligência artificial explicável aplicada à predição da obesidade infantil

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Yahata, Erika
Orientador(a): Simões, Priscyla Waleska Targino de Azevedo
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do ABC
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia da Informação
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=127539&midiaext=81594
Resumo: Coordenação de Aperfeiçoamento de Pessoal de Nivel Superior
id UFBC_3de8d597fb3fd361d13d7f6ab4e4abc7
oai_identifier_str oai:BDTD:127539
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisInteligência artificial explicável aplicada à predição da obesidade infantil2024-01-31Simões, Priscyla Waleska Targino de AzevedoYahata, ErikaUniversidade Federal do ABCPrograma de Pós-Graduação em Engenharia da InformaçãoUFABCporINTELIGEXPLICABILIDADEAPRENDIZADO COMPUTACIONALOBESIDADE INFANTILEXPLAINABLE ARTIFICIAL INTELLIGENCEEXPLAINABILITYMACHINE LEARNINGCHILDHOOD OBESITYPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABCCoordenação de Aperfeiçoamento de Pessoal de Nivel SuperiorIntrodução: A Inteligência Artificial tem sido explorada em diversas áreas como a agricultura e transporte para o aumento de eficiência e soluções de problemas. Na saúde, o uso da Inteligência Artificial pode se apresentar como opção acessível ao suporte ao diagnóstico de doenças como a obesidade. Segundo a OMS, a obesidade é considerada atualmente como uma das maiores epidemias do mundo, com elevado índice de óbitos e alto impacto econômico. Estima-se que até 2035 cerca de 50% da população apresentará obesidade, com aumento de 60% da obesidade infantil. A obesidade infantil é um preditor para a obesidade adulta e diagnosticar a obesidade infantil pode contribuir para prevenir o crescimento da obesidade adulta. Apesar dos avanços da Inteligência Artificial em várias áreas, a falta de transparência sobre os mecanismos preditivos tem se mostrado com uma das maiores barreiras para a maior incorporação das técnicas na prática clínica. Dessa forma, buscam-se soluções que integrem acurácia e explicabilidade como tem sido proposto pela Inteligência Artificial Explicável. Objetivo: Desenvolver um método baseado em Inteligência Artificial Explicável aplicada à predição da obesidade infantil. Métodos: O estudo considerou uma amostra de 79 pacientes pediátricos do Sul do Brasil com idade entre 5 e 16 anos em consulta de rotina entre abril de 2010 e novembro de 2011. Foram desenvolvidos 4 modelos preditivos baseados em Aprendizado de Máquina (Decision Tree, Multilayer Perceptron, Random Forest e XGBoost) e um modelo estatístico de Regressão Logística Binária. O SHAP foi utilizado para a explicabilidade do modelo, avaliando-se o impacto de cada atributo na predição. Resultados: O modelo preditivo Random Forest apresentou maior acurácia na predição da obesidade infantil, 0,92 (IC95%: 0,81-1,00), em comparação aos demais modelos de Aprendizado de Máquina. O modelo estatístico de Regressão Logística apresentou acurácia de 0,83 (IC95%:0,68-0,98), observando-se uma chance 12,36 (IC95%: 2,99-51,14) vezes maior de obesidade em pacientes com circunferência abdominal alterada. A área sob a curva ROC (AUC) dos modelos Random Forest e Multilayer Perceptron apresentaram maior valor (0,98; IC95%: 0,93-1,00) e a Regressão Logística apresentou AUC de 0,89 (IC95%: 0,76-1,00). Na explicabilidade do modelo Random Forest, a circunferência abdominal, o IMC da mãe e o IMC do pai se mostraram como os atributos mais importantes para a predição e valores elevados destes atributos contribuíram para a predição da obesidade infantil. Conclusão: A Inteligência Artificial Explicável utilizada no estudo mostrou que a circunferência abdominal, o IMC da mãe e o IMC do pai são medidas e índices importantes a serem considerados para a predição da obesidade infantil, estando de acordo com outros estudos que evidenciaram a importância destes atributos. Assim, conclui-se que os modelos preditivos baseados em Inteligência Artificial Explicável podem ser considerados na prática clínica.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=127539&midiaext=81594application/pdfreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2025-04-02T22:15:35Zoai:BDTD:127539Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2025-04-04T23:55:27.675076Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.pt.fl_str_mv Inteligência artificial explicável aplicada à predição da obesidade infantil
title Inteligência artificial explicável aplicada à predição da obesidade infantil
spellingShingle Inteligência artificial explicável aplicada à predição da obesidade infantil
Yahata, Erika
title_short Inteligência artificial explicável aplicada à predição da obesidade infantil
title_full Inteligência artificial explicável aplicada à predição da obesidade infantil
title_fullStr Inteligência artificial explicável aplicada à predição da obesidade infantil
title_full_unstemmed Inteligência artificial explicável aplicada à predição da obesidade infantil
title_sort Inteligência artificial explicável aplicada à predição da obesidade infantil
author Yahata, Erika
author_facet Yahata, Erika
author_role author
dc.contributor.advisor1.fl_str_mv Simões, Priscyla Waleska Targino de Azevedo
dc.contributor.author.fl_str_mv Yahata, Erika
contributor_str_mv Simões, Priscyla Waleska Targino de Azevedo
description Coordenação de Aperfeiçoamento de Pessoal de Nivel Superior
publishDate 2024
dc.date.issued.fl_str_mv 2024-01-31
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=127539&midiaext=81594
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=127539&midiaext=81594
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do ABC
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia da Informação
dc.publisher.initials.fl_str_mv UFABC
publisher.none.fl_str_mv Universidade Federal do ABC
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1828566098716393472

Registros relacionados