Aprendizado de Máquina Aplicado à Predição de Doenças Crônicas: Um Estudo de Caso de Hipertensão Arterial (2024)
- Authors:
- Autor USP: DIAS, JAQUELINE LOPES - ICMC
- Unidade: ICMC
- Sigla do Departamento: SME
- DOI: 10.11606/D.55.2024.tde-27012025-120434
- Subjects: APRENDIZADO COMPUTACIONAL; INTELIGÊNCIA ARTIFICIAL; HIPERTENSÃO; FATORES DE RISCO
- Keywords: Algoritmos de classificação; Artificial intelligence; Classification algorithms; Digital health; Epidemiologia matemática; Mathematical epidemiology; Risk factors; Saúde digital
- Language: Português
- Abstract: As Doenças Crônicas Não Transmissíveis (DCNT) tornaram-se uma das principais causas de mortalidade global, impulsionadas pela transição demográfica e pelo aumento da longevidade. Entre essas doenças, destacamos neste trabalho a hipertensão arterial, que é preocupante devido aos seus múltiplos fatores de risco como idade, obesidade, inatividade física e dieta inadequada, além dos seus impactos adversos na saúde. Este estudo avalia a aplicação do aprendizado de máquina na predição do risco de hipertensão, utilizando dados da Pesquisa Nacional de Saúde do Instituto Brasileiro de Geografia e Estatística de 2013. Esses dados abrangem variáveis demográficas, sociodemográficas, estilo de vida, saúde, exames laboratoriais e medidas antropométricas, incluindo pressão arterial sistólica e diastólica. Realizamos uma análise detalhada e preparação do conjunto de dados, testando algoritmos preditivos como Regressão Logística, Naive Bayes, k-Nearest Neighbors, Random Forests, XGBoost, LightGBM, CatBoost, SVM e Redes Neurais Artificiais. A avaliação dos modelos mostrou que a Regressão Logística teve o melhor desempenho com AUC de 0,75, seguida por CatBoost e SVM, com AUCs de 0,73 e 0,72, respectivamente. A análise dos coeficientes da Regressão Logística e dos valores SHAP para CatBoost revelou que os principais fatores de risco para hipertensão incluem sexo, nível de atividade física, IMC, idade e região de residência. Os resultados são promissores e demonstram a capacidade dos modelos deaprendizado de máquina em prever hipertensão. Ademais, a inclusão de variáveis históricas pode melhorar significativamente a sensibilidade dos modelos preditivos.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 25.09.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
DIAS, Jaqueline Lopes. Aprendizado de Máquina Aplicado à Predição de Doenças Crônicas: Um Estudo de Caso de Hipertensão Arterial. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-27012025-120434/. Acesso em: 11 jan. 2026. -
APA
Dias, J. L. (2024). Aprendizado de Máquina Aplicado à Predição de Doenças Crônicas: Um Estudo de Caso de Hipertensão Arterial (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55137/tde-27012025-120434/ -
NLM
Dias JL. Aprendizado de Máquina Aplicado à Predição de Doenças Crônicas: Um Estudo de Caso de Hipertensão Arterial [Internet]. 2024 ;[citado 2026 jan. 11 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-27012025-120434/ -
Vancouver
Dias JL. Aprendizado de Máquina Aplicado à Predição de Doenças Crônicas: Um Estudo de Caso de Hipertensão Arterial [Internet]. 2024 ;[citado 2026 jan. 11 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-27012025-120434/
Informações sobre o DOI: 10.11606/D.55.2024.tde-27012025-120434 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
