Aprendizado de máquina para auxílio no diagnóstico doença pulmonar obstrutiva crônica
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1249Palavras-chave:
Doença pulmonar obstrutiva crônica, Mineração de dados, Descoberta de conhecimentoResumo
Objetivo: identificar fatores de risco para a doença pulmonar obstrutiva crônica na população brasileira. Método: por meio de um processo para descoberta de conhecimento, e modelos de aprendizado de máquina, identificar fatores de risco para a doença na população brasileira, baseado na Pesquisa Nacional em Saúde 2019. Resultados: o melhor modelo de aprendizado foi alcançado com o algoritmo Floresta Aleatória apresentando uma medida F1 de 75% para o conjunto de teste. Conclusões: a partir da análise do nível de importância dos principais fatores como asma, idade de risco, fumo anterior, índice de massa corpórea, risco domiciliar, dentre outros, destacaram-se os quatro primeiros como principais fatores de risco.
Referências
WHO, W. H. O. Chronic obstructive pulmonary disease (copd). https://www.who.int/news-room/fact-sheets/detail/chronic-obstructive-pulmonary-disease-(copd)
GOLD-COPD. Global strategy for prevention, diagnosis and management of copd: 2023 report. https://goldcopd.org/ 2023-gold-report-2/, 2023.
Smith LA, Oakden-Rayner L, Bird A, Zeng M, To MS, Mukherjee S, Palmer LJ. Machine learning and deep learning predictive models for long-term prognosis in patients with chronic obstructive pulmonary disease: a systematic review and meta-analysis. Lancet Digit Health. 2023 Dec;5(12):e872-e881. doi: 10.1016/S2589-7500(23)00177-2. PMID: 38000872. DOI: https://doi.org/10.1016/S2589-7500(23)00177-2
Wang X, Ren H, Ren J, Song W, Qiao Y, Ren Z, Zhao Y, Linghu L, Cui Y, Zhao Z, Chen L, Qiu L. Machine learning-enabled risk prediction of chronic obstructive pulmonary disease with unbalanced data. Comput Methods Programs Biomed. 2023 Mar;230:107340. doi: 10.1016/j.cmpb.2023.107340. Epub 2023 Jan 6. PMID: 36640604. DOI: https://doi.org/10.1016/j.cmpb.2023.107340
Ma X, Wu Y, Zhang L, Yuan W, Yan L, Fan S, Lian Y, Zhu X, Gao J, Zhao J, Zhang P, Tang H, Jia W. Comparison and development of machine learning tools for the prediction of chronic obstructive pulmonary disease in the Chinese population. J Transl Med. 2020 Mar 31;18(1):146. doi: 10.1186/s12967-020-02312-0. PMID: 32234053; PMCID: PMC7110698. DOI: https://doi.org/10.1186/s12967-020-02312-0
Zarate, L., Petrocchi, B., Maia, C., Felix, C., and Gomes, M. P. CAPTO - A method for understanding problem domains for data science projects. Concilium 23:922–941, 2023. DOI: https://doi.org/10.53660/CLM-1815-23M33
Loyola-González, O. Black-Box vs. White-Box: Understanding Their Advantages and Weaknesses From a Practical Point of View, in IEEE Access, vol. 7, pp. 154096-154113, 2019. DOI: https://doi.org/10.1109/ACCESS.2019.2949286
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
