COMPARAÇÃO DE MODELOS DE APRENDIZADO DE MÁQUINA NA PREDIÇÃO DO DIABETES
Doença metabólica; Dados desbalanceados; Big Data; Saúde Pública.
A aplicação de tecnologias avançadas, especialmente o Aprendizado de Máquina (AM), surge como uma resposta promissora para aprimorar o diagnóstico precoce e eficiente do Diabetes. Com o crescimento exponencial de dados na era do Big Data, há uma demanda por ferramentas computacionais sofisticadas que possam processar grandes volumes de informações e derivar insights valiosos para melhorar a saúde pública. A IA, por meio de algoritmos como Máquinas de Vetor de Suporte, Florestas Aleatórias, Naive Bayes, Árvores de Decisão, Redes Neurais Artificiais e Extreme Gradient Boosting, oferece a capacidade de prever a ocorrência de diabetes com precisão, ajudando os profissionais de saúde na tomada de decisões informadas. O estudo proposto tem como objetivo avaliar e comparar a eficácia desses algoritmos na predição do diabetes, utilizando métricas de desempenho como acurácia, sensibilidade, especificidade e área sob a curva ROC. Busca-se identificar o modelo mais eficaz para o diagnóstico precoce da doença, contribuindo não apenas para a melhoria dos tratamentos e redução de custos associados ao diagnóstico tardio, mas também para o manejo de outras condições crônicas que demandam intervenções precoces e personalizadas. Essa abordagem é crucial diante da crescente prevalência de doenças crônicas e da necessidade contínua de avanços tecnológicos na saúde pública.