CLASSIFICAÇÃO DE DOENÇAS CARDIOVASCULARES UTILIZANDO APRENDIZADO DE MÁQUINA

  • Marcos Costa Oliveira Universidade Estadual do Maranhão (UEMA)
  • Luís Victor Belo Ferreira Universidade Estadual do Maranhão (UEMA)
  • Marta de Oliveira Barreiros Universidade Estadual do Maranhão (UEMA) https://orcid.org/0000-0002-1367-1968
Palavras-chave: Classificação. Doenças Cardiovasculares. Aprendizado de Máquina.

Resumo

A doença cardiovascular é a principal causa de morte para homens e mulheres, sendo conhecida por silenciosa. O diagnóstico sobre a predisposição para doenças cardiovasculares, mostra-se problemas que precisam de atenção e ajudam a alertar o paciente de possíveis complicações futuras. Nisso, o uso de algoritmos de aprendizado de máquina simplificara a intervenção humana em análises e tomadas de decisões, agilizando esses diagnósticos prévios para diferentes doenças. Portanto, este trabalho apresenta um comparativo entre três algoritmos de aprendizado de máquina, sendo eles o K- Nearest Neighbor (KNN), a Árvore de Decisões e a Rede Neural Multicamadas Perceptron (MLP), para escolha de um modelo com obtenção de melhores resultados para classificação de saúde em relação a doenças cardiovasculares. Diante do analisado, a Árvore de Decisão apresentou melhores resultados de classificação superior a 96% de precisão.

Biografia do Autor

Marcos Costa Oliveira, Universidade Estadual do Maranhão (UEMA)

Graduando em Engenharia da Computação pela Universidade Estadual do Maranhão. 

Luís Victor Belo Ferreira, Universidade Estadual do Maranhão (UEMA)

Graduando em Engenharia da Computação pela Universidade Estadual do Maranhão.

 

 

Marta de Oliveira Barreiros, Universidade Estadual do Maranhão (UEMA)

Doutora em engenharia Elétrica pela Universidade Federal do Maranhão. Professora substituta no departamento de engenharia da Computação da Universidade Estadual do Maranhão.

Referências

DAVID W. Heart Disease Data set exploration, Kanggle, 2019. Disponível em: https://www.kaggle.com/datasets/volodymyrgavrysh/heart-disease. Acessado dia 01/11/2022.

GBD. Global Burden of Disease Study 2019. Global Health Data Exchange website [Internet]. Seattle, WA: Institute for Health Metrics and Evaluation (IHME), University of Washington; 2019. Acesso em: http:// ghdx.healthdata.org/gbd-results-tool

HAYKIN, S. Redes Neurais: Princípios e Prática. Artmed, 2007. ISBN 9788577800865isp.

MCKINNEY, Data structures for statistical computing in python, Proceedings of the 9th Python in Science Conference, Volume 445, 2010.

PEDREGOSA et al., Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-2830, 2011.

PEDREGOSA et al., Developer, scikit-learn. Sklearn.metrics.precision_recall_fscore_support. Disponível em: sklearn.metrics.precision_recall_fscore_support — documentação scikit-learn 1.1.2. Acessado dia 01/11/2022.
Publicado
2023-02-23