Mineração de dados no diagnóstico de hipertensão baseado na Pesquisa Nacional em Saúde 2019
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1250Palavras-chave:
Hipertensão, Mineração de dados, Descoberta de ConhecimentoResumo
A hipertensão é uma doença que atinge grande parte da população brasileira. Por ser uma doença muito comum, alguns de seus fatores de risco são conhecidos, mas conhecer a ordem de relevância pode trazer novos insights, principalmente quando o objetivo é o diagnóstico da doença. Recentemente foi disponibilizada a Pesquisa Nacional em Saúde 2019, que traz novas informações sobre a saúde da população brasileira. O Objetivo é auxiliar no diagnóstico dos indivíduos que sofrem de Hipertensão Arterial Sistêmica por meio de um método para descoberta de conhecimento e classificação por Floresta Aleatória. Resultados alcançaram um F1-score médio de 75%. As conclusões apontam que a ingestão de sal, manter-se fora do peso ideal, não praticar atividades físicas moderadas, e fumar, nessa ordem, são fatores muito importantes para diagnóstico da doença.
Referências
Malta, D. C., Bernal, R. T. I., Ribeiro, E. G., Moreira, A. D., Felisbino-Mendes, M. S., & Velásquez-Meléndez, J. G. (2022). Arterial hypertension and associated factors: National Health Survey, 2019. Revista De Saúde Pública, 56, 122. DOI: https://doi.org/10.11606/s1518-8787.2022056004177
Elshawi, R., Al-Mallah, M. H., Sakr, S. On the interpretability of machine learning-based model for predicting hypertension. BMC medical informatics and decision making 19 (1): 1–32, 2019. DOI: https://doi.org/10.1186/s12911-019-0874-0
Kublanov, V. S., Dolganov, A. Y., Belo, D., and Gamboa, H. Comparison of machine learning methods for the arterial hypertension diagnostics. Applied bionics and biomechanics vol. 2017. DOI: https://doi.org/10.1155/2017/5985479
LaFreniere, D., Zulkernine, F., Barber, D., and Martin, K. Using machine learning to predict hypertension from a clinical dataset. In 2016 IEEE symposium series on computational intelligence (SSCI). IEEE, pp. 1–7, 2016. DOI: https://doi.org/10.1109/SSCI.2016.7849886
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
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.
