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
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
DIAS, Jaqueline Lopes. Aprendizado de Máquina Aplicado à Predição de Doenças Crônicas: Um Estudo de Caso de Hipertensão Arterial. 2024. Mestrado Profissionalizante – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://teses.usp.br/teses/disponiveis/55/55137/tde-27012025-120434/. Acesso em: 02 abr. 2026. -
APA
Dias, J. L. (2024). Aprendizado de Máquina Aplicado à Predição de Doenças Crônicas: Um Estudo de Caso de Hipertensão Arterial (Mestrado Profissionalizante). Universidade de São Paulo, São Carlos. Recuperado de https://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 abr. 02 ] Available from: https://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 abr. 02 ] Available from: https://teses.usp.br/teses/disponiveis/55/55137/tde-27012025-120434/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
