PREDICCIÓN DEL SOP USANDO TÉCNICAS DE APRENDIZAJE AUTOMÁTICO: UN ANÁLISIS COMPARATIVO DE MODELOS Y APLICACIÓN PRÁCTICA
DOI:
https://doi.org/10.47820/recima21.v6i6.6546Palabras clave:
Síndrome de Ovario Poliquístico. Salud Reproductiva. Aprendizaje Automático. Algoritmos de Clasificación.Resumen
El Síndrome de Ovario Poliquístico (SOP) es un trastorno endocrino que afecta a mujeres en edad reproductiva y cuyo diagnóstico es difícil debido a su heterogeneidad clínica y la superposición de síntomas con otras condiciones. Este trabajo investiga el uso de técnicas de Aprendizaje Automático (Machine Learning, ML) para mejorar la precisión diagnóstica del SOP, utilizando un conjunto de datos públicos y comparando los clasificadores Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree (DT) y Random Forest (RF). Además, se aplican técnicas de selección de características y balanceo de datos para optimizar los modelos. Finalmente, se propone SOP ASSIST, una API que proporciona el resultado del diagnóstico de la paciente, considerando el mejor modelo entrenado.
Descargas
Referencias
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. DOI: https://doi.org/10.35378/gujs.993763
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. DOI: https://doi.org/10.1613/jair.953
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. DOI: https://doi.org/10.3390/jcm12041500
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. DOI: https://doi.org/10.1109/ACCESS.2022.3205587
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. DOI: https://doi.org/10.36557/2674-8169.2024v6n8p5403-5412
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. DOI: https://doi.org/10.34119/bjhrv7n5-075
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. DOI: https://doi.org/10.1016/j.health.2022.100102
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. DOI: https://doi.org/10.1016/j.heliyon.2023.e14518
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 DOI: https://doi.org/10.1109/ICATIECE56365.2022.10047488
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. DOI: https://doi.org/10.1016/j.eswa.2022.117592
Descargas
Publicado
Licencia
Derechos de autor 2025 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
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.
