Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Silva, Leonardo Fernandes [UNIFESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/48912/0013000029gfq
Idioma: por
Instituição de defesa: Universidade Federal de São Paulo
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizagem de máquina
Diabetes Mellitus
Inteligência Artificial
Doenças Crônicas
Machine learning
Artificial Intelligence
Chronic Diseases
Link de acesso: https://repositorio.unifesp.br/handle/11600/67419
Resumo: Objetivo: Validar um modelo preditivo de diabetes do tipo 2 utilizando aprendizagem de máquina através de variáveis de fácil acesso e comparar os resultados dos bancos de dados VIGITEL e NHANES para validação da metodologia. Métodos: Após a seleção dos bancos de dados VIGITEL (2015) e NHANES (2014,15,16,17), foi aplicado critérios de inclusão e exclusão, aqueles que foram diagnosticados acima dos 30 anos e dados não faltantes, em cima dos indivíduos finais foi utilizado o método de balanceamento SMOTE para melhor aplicação dos algoritmos. Uma vez balanceado, foram aplicados os algoritmos “árvore de decisão”, “Floresta Aleatória” e “floresta de isolamento”. Resultados: O modelo de predição de diabetes tipo 2 apresentou melhor desempenho em todas as métricas em comparação com as outras duas doenças crônicas (dislipidemia e hipertensão arterial) no conjunto de dados do NHANES. No VIGITEL, o diabetes teve melhor desempenho em sensibilidade (73,25%) em comparação com as outras duas doenças, a hipertensão também teve alto desempenho em especificidade e acurácia (79,51% e 73,63%). Entre os dois conjuntos de dados, o NHANES teve melhor desempenho em todas as métricas em diabetes e hipertensão. Conclusões: O presente estudo apresentou evidências para a criação de um modelo preditivo através da utilização de aprendizagem de máquina para auxiliar no diagnóstico precoce de doenças crônicas através de variáveis de fácil acesso.
id UFSP_22f49122db331d50ef7da2fbbbc3745e
oai_identifier_str oai:repositorio.unifesp.br:11600/67419
network_acronym_str UFSP
network_name_str Repositório Institucional da UNIFESP
repository_id_str
spelling Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acessoAprendizagem de máquinaDiabetes MellitusInteligência ArtificialDoenças CrônicasMachine learningDiabetes MellitusArtificial IntelligenceChronic DiseasesObjetivo: Validar um modelo preditivo de diabetes do tipo 2 utilizando aprendizagem de máquina através de variáveis de fácil acesso e comparar os resultados dos bancos de dados VIGITEL e NHANES para validação da metodologia. Métodos: Após a seleção dos bancos de dados VIGITEL (2015) e NHANES (2014,15,16,17), foi aplicado critérios de inclusão e exclusão, aqueles que foram diagnosticados acima dos 30 anos e dados não faltantes, em cima dos indivíduos finais foi utilizado o método de balanceamento SMOTE para melhor aplicação dos algoritmos. Uma vez balanceado, foram aplicados os algoritmos “árvore de decisão”, “Floresta Aleatória” e “floresta de isolamento”. Resultados: O modelo de predição de diabetes tipo 2 apresentou melhor desempenho em todas as métricas em comparação com as outras duas doenças crônicas (dislipidemia e hipertensão arterial) no conjunto de dados do NHANES. No VIGITEL, o diabetes teve melhor desempenho em sensibilidade (73,25%) em comparação com as outras duas doenças, a hipertensão também teve alto desempenho em especificidade e acurácia (79,51% e 73,63%). Entre os dois conjuntos de dados, o NHANES teve melhor desempenho em todas as métricas em diabetes e hipertensão. Conclusões: O presente estudo apresentou evidências para a criação de um modelo preditivo através da utilização de aprendizagem de máquina para auxiliar no diagnóstico precoce de doenças crônicas através de variáveis de fácil acesso.Objective: Validate a predictive model of type 2 diabetes using machine learning through easily accessible variables and compare the results of the VIGITEL and NHANES databases to validate the methodology. Methods: After selecting the VIGITEL (2015) and NHANES (2014,15,16,17) databases, inclusion and exclusion criteria were applied, those who were diagnosed over 30 years of age and no missing data, on top of individuals At the end, the SMOTE balancing method was used for better application of the algorithms. Once balanced, the “decision tree”, “Random Forest” and “isolation forest” algorithms were applied. Results: The type 2 diabetes prediction model performed better on all metrics compared to the other two chronic diseases (dyslipidemia and high blood pressure) in the NHANES dataset. In VIGITEL, diabetes performed better in sensitivity (73.25%) compared to the other two diseases, hypertension also had high performance in specificity and accuracy (79.51% and 73.63%). Between the two datasets, NHANES performed better on all metrics in diabetes and hypertension. Conclusions: The present study presented evidence for the creation of a predictive model through the use of machine learning to assist in the early diagnosis of chronic diseases through easily accessible variables.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Universidade Federal de São PauloCaranti, Danielle Arisa [UNIFESP]http://lattes.cnpq.br/4760019839583649http://lattes.cnpq.br/7376085574661825Universidade Federal de São Paulo (UNIFESP)Silva, Leonardo Fernandes [UNIFESP]2023-04-25T18:38:30Z2023-04-25T18:38:30Z2023-03-10info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersion56 f.application/pdfSILVA, Leonardo Fernandes. Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso. 2023. 56 f. Dissertação (Mestrado Interdisciplinar em Ciências da Saúde) - Instituto de Saúde e Sociedade, Universidade Federal de São Paulo, Santos, 2023.Processo SEI 23089.005778/2023-82https://repositorio.unifesp.br/handle/11600/67419ark:/48912/0013000029gfqporinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFESPinstname:Universidade Federal de São Paulo (UNIFESP)instacron:UNIFESP2024-08-12T16:02:19Zoai:repositorio.unifesp.br:11600/67419Repositório InstitucionalPUBhttp://www.repositorio.unifesp.br/oai/requestbiblioteca.csp@unifesp.bropendoar:34652024-08-12T16:02:19Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)false
dc.title.none.fl_str_mv Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso
title Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso
spellingShingle Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso
Silva, Leonardo Fernandes [UNIFESP]
Aprendizagem de máquina
Diabetes Mellitus
Inteligência Artificial
Doenças Crônicas
Machine learning
Diabetes Mellitus
Artificial Intelligence
Chronic Diseases
title_short Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso
title_full Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso
title_fullStr Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso
title_full_unstemmed Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso
title_sort Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso
author Silva, Leonardo Fernandes [UNIFESP]
author_facet Silva, Leonardo Fernandes [UNIFESP]
author_role author
dc.contributor.none.fl_str_mv Caranti, Danielle Arisa [UNIFESP]
http://lattes.cnpq.br/4760019839583649
http://lattes.cnpq.br/7376085574661825
Universidade Federal de São Paulo (UNIFESP)
dc.contributor.author.fl_str_mv Silva, Leonardo Fernandes [UNIFESP]
dc.subject.por.fl_str_mv Aprendizagem de máquina
Diabetes Mellitus
Inteligência Artificial
Doenças Crônicas
Machine learning
Diabetes Mellitus
Artificial Intelligence
Chronic Diseases
topic Aprendizagem de máquina
Diabetes Mellitus
Inteligência Artificial
Doenças Crônicas
Machine learning
Diabetes Mellitus
Artificial Intelligence
Chronic Diseases
description Objetivo: Validar um modelo preditivo de diabetes do tipo 2 utilizando aprendizagem de máquina através de variáveis de fácil acesso e comparar os resultados dos bancos de dados VIGITEL e NHANES para validação da metodologia. Métodos: Após a seleção dos bancos de dados VIGITEL (2015) e NHANES (2014,15,16,17), foi aplicado critérios de inclusão e exclusão, aqueles que foram diagnosticados acima dos 30 anos e dados não faltantes, em cima dos indivíduos finais foi utilizado o método de balanceamento SMOTE para melhor aplicação dos algoritmos. Uma vez balanceado, foram aplicados os algoritmos “árvore de decisão”, “Floresta Aleatória” e “floresta de isolamento”. Resultados: O modelo de predição de diabetes tipo 2 apresentou melhor desempenho em todas as métricas em comparação com as outras duas doenças crônicas (dislipidemia e hipertensão arterial) no conjunto de dados do NHANES. No VIGITEL, o diabetes teve melhor desempenho em sensibilidade (73,25%) em comparação com as outras duas doenças, a hipertensão também teve alto desempenho em especificidade e acurácia (79,51% e 73,63%). Entre os dois conjuntos de dados, o NHANES teve melhor desempenho em todas as métricas em diabetes e hipertensão. Conclusões: O presente estudo apresentou evidências para a criação de um modelo preditivo através da utilização de aprendizagem de máquina para auxiliar no diagnóstico precoce de doenças crônicas através de variáveis de fácil acesso.
publishDate 2023
dc.date.none.fl_str_mv 2023-04-25T18:38:30Z
2023-04-25T18:38:30Z
2023-03-10
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, Leonardo Fernandes. Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso. 2023. 56 f. Dissertação (Mestrado Interdisciplinar em Ciências da Saúde) - Instituto de Saúde e Sociedade, Universidade Federal de São Paulo, Santos, 2023.
Processo SEI 23089.005778/2023-82
https://repositorio.unifesp.br/handle/11600/67419
dc.identifier.dark.fl_str_mv ark:/48912/0013000029gfq
identifier_str_mv SILVA, Leonardo Fernandes. Modelo de aprendizado de máquina para predição de Diabetes tipo 2 por meio de variáveis de fácil acesso. 2023. 56 f. Dissertação (Mestrado Interdisciplinar em Ciências da Saúde) - Instituto de Saúde e Sociedade, Universidade Federal de São Paulo, Santos, 2023.
Processo SEI 23089.005778/2023-82
ark:/48912/0013000029gfq
url https://repositorio.unifesp.br/handle/11600/67419
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 56 f.
application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de São Paulo
publisher.none.fl_str_mv Universidade Federal de São Paulo
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNIFESP
instname:Universidade Federal de São Paulo (UNIFESP)
instacron:UNIFESP
instname_str Universidade Federal de São Paulo (UNIFESP)
instacron_str UNIFESP
institution UNIFESP
reponame_str Repositório Institucional da UNIFESP
collection Repositório Institucional da UNIFESP
repository.name.fl_str_mv Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)
repository.mail.fl_str_mv biblioteca.csp@unifesp.br
_version_ 1848497992503394304

Registros relacionados