PREVISÃO E DIAGNÓSTICO DE ALZHEIMER USANDO TÉCNICAS DE MACHINE LEARNING
DOI:
https://doi.org/10.47820/recima21.v6i5.6399Palavras-chave:
Aprendizado de Máquina Supervisionado, Aprendizagem de Máquina, Classificação, Doença de AlzheimerResumo
Este trabalho visa explorar o uso de técnicas de machine learning para prever o diagnóstico da doença de Alzheimer, uma condição neurodegenerativa de difícil detecção precoce. O estudo utiliza técnicas como Support Vector Machine, Random Forest e K-Nearest Neighbors, aplicados em um conjunto de dados que apresenta informações demográficas, de estilo de vida e histórico médico de pacientes. Os resultados alcançados permitiram avaliar o desempenho dos modelos a partir de métricas, como acurácia, precisão, recall e especificidade.
Downloads
Referências
AHUJA, Abhimanyu S. The impact of artificial intelligence in medicine on the future role of the physician. PeerJ, v. 7, e7702, 2019. DOI: 10.7717/peerj.7702. Disponível em: https://peerj.com/articles/7702/. Acesso em: 27 abr. 2025. DOI: https://doi.org/10.7717/peerj.7702
ALATRANY, A. S.; KHAN, W.; HUSSAIN, A. et al. An explainable machine learning approach for Alzheimer’s disease classification. Scientific Reports, v. 14, p. 2637, 2024. Disponível em: https://doi.org/10.1038/s41598-024-51985-w. Acesso em: 09 out. 2024. DOI: https://doi.org/10.1038/s41598-024-51985-w
BANSAL, M.; GOYAL, A.; CHOUDHARY, A. A comparative analysis of K-Nearest Neighbor, Genetic, Support Vector Machine, Decision Tree, and Long Short Term Memory algorithms in machine learning. Decision Analytics Journal, [S. l.], v. 3, 2022. Disponível em: https://doi.org/10.1016/j.dajour.2022.100071. Acesso em: 14 out. 2024. DOI: https://doi.org/10.1016/j.dajour.2022.100071
BHARGAVA, A. Y. Entendendo Algoritmos: um guia ilustrado para programadores e outros curiosos. São Paulo: Novatec Editora, 2017. 264 p. ISBN 978-8575225639.
BREIMAN, L. Random forests. Machine Learning, v. 45, p. 5–32, 2001. Disponível em: https://doi.org/10.1023/A:1010933404324. Acesso em: 19 out. 2024. DOI: https://doi.org/10.1023/A:1010933404324
CARAMELLI, Paulo; BARBOSA, Maira Tonidandel. Como diagnosticar as quatro causas mais freqüentes de demência?. Brazilian Journal of Psychiatry, [S. l.], 2002. DOI https://doi.org/10.1590/S1Caramelli516-44462002000500003. Disponível em: https://www.scielo.br/j/rbp/a/wK6prKZXgrZwcyTB9TScPpH/. Acesso em: 25 out. 2024.
DARA, O. A.; LOPEZ-GUEDE, J. M.; RAHEEM, H. I.; RAHEBI, J.; ZULUETA, E.; FERNANDEZ-GAMIZ, U. Alzheimer’s Disease diagnosis using machine learning: a survey. Applied Sciences, v. 13, 8298, 18 jul. 2023. Disponível em: https://doi.org/10.3390/app13148298. Acesso em: 23 set. 2024. DOI: https://doi.org/10.3390/app13148298
DE OLIVEIRA, Bruna Cristina Bezerra; RABI, Larissa Teodoro. Métodos De Diagnóstico Precoce E Estratégias De Contenção Do Avanço Da Doença De Alzheimer. Revista Tópicos, [S. l.], 2023. DOI https://doi.org/10.5281/zenodo.10350113. Disponível em: https://zenodo.org/records/10350113. Acesso em: 25 out. 2024.
ESCOVEDO, Tatiana; KOSHIYAMA, Adriano. Introdução a Data Science: Algoritmos de Machine Learning e métodos de análise. [S. l.: s. n.], 2020.
FACELI, Katti; LORENA, Ana C.; GAMA, João; AL, et al. Inteligência Artificial: uma abordagem de aprendizado de máquina. 2. ed. Rio de Janeiro: LTC, 2021. E-book. p.1. ISBN 9788521637509. Disponível em: https://app.minhabiblioteca.com.br/reader/books/9788521637509/. Acesso em: 23 abr. 2025.
FARHUD, Dariush D.; ZOKAEI, Shaghayegh. Ethical issues of artificial intelligence in medicine and healthcare. Iranian Journal of Public Health, Tehran, v. 50, n. 11, p. i-v, nov. 2021. DOI: 10.18502/ijph.v50i11.7600. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC8826344/. Acesso em: 27 abr. 2025. DOI: https://doi.org/10.18502/ijph.v50i11.7600
GÓMEZ-ZARAGOZÁ, L.; WILLS, S.; TEJEDOR-GARCIA, C.; MARÍN-MORALES, J.; ALCAÑIZ, M.; STRIK, H. Alzheimer Disease Classification through ASR-based Transcriptions: Exploring the Impact of Punctuation and Pauses. Interspeech 2023, Irlanda, p. 2403-2407, 20 ago. 2023. Disponível em: https://arxiv.org/abs/2306.03443. Acesso em: 23 set. 2024. DOI: https://doi.org/10.21437/Interspeech.2023-1734
KHAROUA, R. E. Alzheimer's Disease Dataset. [S. l.]: Kaggle, 2024. Disponível em: https://www.kaggle.com/dsv/8668279. Acesso em: 02 out. 2024.
LI, J.; ZHANG, J.; ZHANG, J.; ZHANG, S. Quantum KNN Classification With K Value Selection and Neighbor Selection. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, [S. l.], v. 43, n. 5, p. 1332-1345, 2024. DOI 10.1109/TCAD.2023.3345251. Disponível em: https://ieeexplore.ieee.org/document/10366842. Acesso em: 20 out. 2024. DOI: https://doi.org/10.1109/TCAD.2023.3345251
MACHADO, A. P. R.; CARVALHO, I. O.; ROCHA SOBRINHO, H. M. da. Neuroinflamação Na Doença De Alzheimer. Revista Brasileira Militar De Ciências, [S. l.], v. 6, n. 14, 2020. DOI: 10.36414/rbmc.v6i14.33. Disponível em: https://rbmc.org.br/rbmc/article/view/33. Acesso em: 27 abr. 2025. DOI: https://doi.org/10.36414/rbmc.v6i14.33
PEDREGOSA, F.; VAROQUAUX, G.; GRAMFORT, A.; et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, v. 12, p. 2825-2830, 2011. Disponível em: https://scikit-learn.org/stable/. Acesso em: 18 ago. 2024.
PISNER, D. A.; SCHNYER, D. M. Chapter 6 - Support vector machine. In: MACHINE Learning: Methods and Applications to Brain Disorders. Londres: Academic Press, 2020. p. 101-121. ISBN 9780128157398. Disponível em: https://doi.org/10.1016/B978-0-12-815739-8.00006-7. Acesso em: 14 out. 2024. DOI: https://doi.org/10.1016/B978-0-12-815739-8.00006-7
RAO, K. N.; GANDHI, B. R.; RAO, M. V.; JAVVADI, S.; VELLELA, S. S.; KHADER BASHA, S. Prediction and classification of Alzheimer’s disease using machine learning techniques in 3D MR images. In: International Conference On Sustainable Computing And Smart Systems (ICSCSS), 2023, Coimbatore, Índia. Anais […]. Coimbatore: IEEE, 2023. p. 85–90. DOI: 10.1109/ICSCSS57650.2023.10169550. DOI: https://doi.org/10.1109/ICSCSS57650.2023.10169550
RASHIDI, Hooman H; ALBAHRA, Samer; ROBERTSON, Scott; TRAN, Nam K; HU, Bo. Common statistical concepts in the supervised Machine Learning arena. Frontiers in Oncology, [S. l.], v. 13, 2023. DOI https://doi.org/10.3389/fonc.2023.1130229. Disponível em: https://www.frontiersin.org/journals/oncology/articles/10.3389/fonc.2023.1130229/full. Acesso em: 24 out. 2024. DOI: https://doi.org/10.3389/fonc.2023.1130229
Downloads
Publicado
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.
