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.
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.
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.
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.
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.
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.
