PREVISÃO DA SOP USANDO TÉCNICAS DE MACHINE LEARNING: UMA ANÁLISE COMPARATIVA DE MODELOS E APLICAÇÃO PRÁTICA
Palavras-chave
Downloads
Resumo
A Síndrome dos Ovários Policísticos (SOP) é um distúrbio endócrino que afeta mulheres em idade reprodutiva, de difícil diagnóstico devido à sua heterogeneidade clínica e sobreposição de sintomas com outras condições. Este trabalho investiga o uso de técnicas de Machine Learning (ML) para aprimorar a precisão diagnóstica da SOP, utilizando um conjunto de dados públicos e comparando os classificadores Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree (DT) e Random Forest (RF). Além disso, são aplicadas técnicas de seleção de características e balanceamento de dados para otimização dos modelos. O modelo RF, após a etapa de otimização, apresentou o melhor desempenho, com uma acurácia e F1-Score de 93%. Com base nesses resultados, propõe-se a SOP ASSIST, uma API que disponibiliza o diagnóstico preditivo da paciente utilizando o modelo otimizado. Dessa forma, o uso de ML pode contribuir significativamente para o diagnóstico mais preciso da SOP, além disso, a API desenvolvida representa uma ferramenta de apoio à decisão clínica com potencial de aplicação prática na área da saúde.
Biografia do Autor
Universidade Federal Rural do Semi-Árido (UFERSA).
Universidade Federal Rural do Semi-Árido - UFERSA.
Universidade Federal Rural do Semi-Árido - UFERSA.
Universidade Federal da Paraíba - UFPB.
Referências
BÜYÜKKEÇECI, M.; OKUR, M. C. A comprehensive review of feature selection and feature selection stability in machine learning. Gazi University Journal of Science, [s. l.], v. 36, n. 4, p. 1506-1520, Dec. 2023. Disponível em: https://doi.org/10.35378/gujs.993763 Acesso em: 23 jan. 2025.
CHAWLA, N. V.; BOWYER, K. W.; HALL, L. O.; KEGELMEYER, W. P. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, [s. l.], v. 16, p. 321–357, June. 2002. Disponível em: https://doi.org/10.1613/jair.953 Acesso em: 20 jan. 2025.
CHE, Y.; YU, J.; LI, Y. S.; ZHU, Y.; TAO, T. Polycystic Ovary Syndrome: Challenges and Possible Solutions. Journal of Clinical Medicine, [s. l.], v. 12, n. 4, p. 1500, Feb. 2023. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC9967025/ Acesso em: 8 fev. 2025.
GÉRON, A. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras e TensorFlow. 2. ed. atual. Rio de Janeiro: Alta Books, 2021. 614 p. ISBN 9788550815480.
NASIM, S.; ALMUTAIRI, M. S.; MUNIR, K.; RAZA, A.; YOUNAS, F. A novel approach for polycystic ovary syndrome prediction using machine learning in bioinformatics. IEEE Access, [s. l.], v. 10, p. 97610-97624, 2022. Disponível em: https://ieeexplore.ieee.org/document/9885199 Acesso em: 25 jan. 2025.
RANGEL, F. R.; LOPES, C. C. A.; REZENDE, M. C. B.; SALES, C. B.; MAGALHÃES, A. C. T. Síndrome dos Ovários Policísticos: Revisão Sistemática da Etiologia, Fisiopatologia, Diagnóstico e Tratamento. Brazilian Journal of Implantology and Health Sciences, [s. l.], v. 6, n. 8, p. 5403–541, ago. 2024. Disponível em: https://doi.org/10.36557/2674-8169.2024v6n8p5403-5412 Acesso em: 8 fev. 2025.
SILVA, T. dos S.; OLIVEIRA, M. D. P. de; BRASIL, L. G. O impacto da Síndrome do Ovário Policístico na vida das mulheres. Brazilian Journal of Health Review, [s. l.], v. 7, n. 5, p. e72576, maio. 2024. Disponível em: https://ojs.brazilianjournals.com.br/ojs/index.php/BJHR/article/view/72576 Acesso em: 8 fev. 2025.
SREEJITH, S.; KHANNA NEHEMIAH, H.; KANNAN, A. A clinical decision support system for polycystic ovarian syndrome using red deer algorithm and random forest classifier. Healthcare Analytics, [s. l.], v. 2, p. 100102, 2022. Disponível em: https://doi.org/10.1016/j.health.2022.100102 Acesso em: 8 fev. 2025.
SUHA, S. A.; ISLAM, M. N. Exploring the dominant features and data-driven detection of polycystic ovary syndrome through modified stacking ensemble machine learning technique. Heliyon, [s. l.], v. 9, n. 3, p. e14518, Mar. 2023. Disponível em: https://www.sciencedirect.com/science/article/pii/S2405844023017255 Acesso em: 25 jan. 2025.
SWAMY, S. R.; KS, N. P. Hybrid Machine Learning Model for Early Discovery and Prediction of Polycystic Ovary Syndrome. In: INTERNATIONAL CONFERENCE ON ADVANCED TECHNOLOGIES IN INTELLIGENT CONTROL, ENVIRONMENT, COMPUTING & COMMUNICATION ENGINEERING (ICATIECE), 2., 2022, Bangalore, India. Anais eletrônicos [...]. Bangalore: IEEE, 2022. p. 1-8. Disponível em: https://www.proceedings.com/67995.html Acesso em: 27 jan. 2025
TIWARI, S.; KANE, L.; KOUNDAL, D.; JAIN, A.; ALHUDHAIF, A.; POLAT, K.; ZAGUIA, A.; ALENEZI, F.; ALTHUBITI, S. A. SPOSDS: A smart Polycystic Ovary Syndrome diagnostic system using machine learning. Expert Systems with Applications, [s. l.], v. 203, p. 117592, 2022. Disponível em: https://www.sciencedirect.com/science/article/pii/S0957417422009046 Acesso em: 30 jan. 2025.
Licença
Copyright (c) 2025 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.