Predição de Acidente Vascular Cerebral ou Ataque Isquêmico Transitório: aplicação e comparação de técnicas de machine learning (2025)
- Authors:
- Autor USP: SCHMIDT, FERNANDA FORTTI VIANNA - FSP
- Unidade: FSP
- Sigla do Departamento: HEP
- DOI: 10.11606/D.6.2025.tde-03092025-153742
- Subjects: ACIDENTE VASCULAR CEREBRAL; ISQUEMIA CEREBRAL; PREDIÇÃO; APRENDIZADO COMPUTACIONAL
- Keywords: Ataque Isquêmico Transitório; Machine Learning; UK Biobank
- Agências de fomento:
- Language: Português
- Abstract: Introdução: Entre as doenças crônicas não transmissíveis, o Acidente Vascular Cerebral (AVC) é a segunda causa mundial de morte e a terceira causa mundial de anos de vida saudável perdidos. AVC e Ataque Isquêmico Transitório (AIT) compartilham alguns dos mesmos fatores de risco e indivíduos que já vivenciaram um episódio de AIT possuem maior probabilidade de apresentar um evento de AVC. No âmbito da predição de eventos de AVC ou AIT, técnicas de modelagem preditiva de machine learning (ML) têm o potencial de superar limitações das metodologias estatísticas clássicas. Objetivo: Aplicar técnicas de ML e comparar seu desempenho na predição de eventos de AVC isquêmico, AVC hemorrágico ou AIT. Métodos: Utilizando dados do UK Biobank (UKB), uma coorte prospectiva do Reino Unido com cerca de 500 mil participantes, um pipeline de ML foi aplicado para 229.638 participantes e 3.918 eventos de AVC ou AIT (1,7%) em até aproximadamente 5 anos e 8 meses. Três algoritmos do tipo GBDT (XGBoost, LightGBM e CatBoost) foram testados em diferentes cenários comparativos. Resultados: Os algoritmos XGBoost e CatBoost apresentaram valores semelhantes de AUC ROC nos dados de teste, respectivamente 0,772 ± 0,009 (IC 95%: [0,755 - 0,789]) e 0,771 ± 0,008 (IC 95%: [0,755 - 0,789]). O conjunto reduzido de variáveis preditoras definidas com base no QStroke apresentou desempenho numericamente inferior - XGBoost: 0,729 ± 0,009 (IC 95%: [0,713 - 0,747]); CatBoost: 0,730 ± 0,009 (IC 95%: [0,713 - 0,747]).A variável idade foi a que apresentou maior importância preditora, com magnitude média de contribuição (valor SHAP médio absoluto) muito superior às demais variáveis. Conclusões: Técnicas de ML podem apresentar bom poder discriminativo para predição de eventos de AVC ou AIT na população geral, mesmo em contextos de baixa incidência
- Imprenta:
- Data da defesa: 02.07.2025
- 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
SCHMIDT, Fernanda Fortti Vianna. Predição de Acidente Vascular Cerebral ou Ataque Isquêmico Transitório: aplicação e comparação de técnicas de machine learning. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-03092025-153742/. Acesso em: 01 jan. 2026. -
APA
Schmidt, F. F. V. (2025). Predição de Acidente Vascular Cerebral ou Ataque Isquêmico Transitório: aplicação e comparação de técnicas de machine learning (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/6/6143/tde-03092025-153742/ -
NLM
Schmidt FFV. Predição de Acidente Vascular Cerebral ou Ataque Isquêmico Transitório: aplicação e comparação de técnicas de machine learning [Internet]. 2025 ;[citado 2026 jan. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-03092025-153742/ -
Vancouver
Schmidt FFV. Predição de Acidente Vascular Cerebral ou Ataque Isquêmico Transitório: aplicação e comparação de técnicas de machine learning [Internet]. 2025 ;[citado 2026 jan. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-03092025-153742/
Informações sobre o DOI: 10.11606/D.6.2025.tde-03092025-153742 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
