PREVISÃO DA DIABETES USANDO TÉCNICAS DE MACHINE LEARNING: UMA REVISÃO DE ESCOPO
Resumo
O uso de técnicas de Machine Learning para a previsão de doenças, como a diabetes, tem se destacado devido à sua capacidade de identificar padrões em grandes volumes de dados médicos e auxiliar na tomada de decisões clínicas. A diabetes é uma condição crônica que, se não for diagnosticada e tratada precocemente, pode levar a complicações graves. Dessa forma, prever o seu desenvolvimento em estágios iniciais pode contribuir significativamente para a gestão da saúde e a personalização do tratamento. Neste contexto, este trabalho propõe uma Revisão de Escopo, buscando responder como se dá a aplicação de algoritmos de Machine Learning na análise de dados médicos para prever a ocorrência da doença. Por meio desse levantamento, foi possível perceber uma ênfase da literatura sobre a importância da qualidade dos dados, da seleção de características relevantes e da interpretabilidade dos modelos, fatores essenciais para a confiabilidade das previsões e seu impacto nas decisões médicas. Adicionalmente, esta proposta possibilitou comparar o desempenho de diferentes algoritmos, analisando a contribuição de cada variável utilizada e destacando os fatores mais influentes na previsão da doença. Dessa forma, este estudo traz contribuições não apenas sobre o desenvolvimento de modelos eficazes, mas também fornece insights que podem aprimorar abordagens preditivas no contexto da saúde.
Biografia do Autor
Graduado em Sistemas de Informação pela Universidade Federal Rural do Semi-Árido (UFERSA).
Doutora em Ciência da Computação pela Universidade Federal do Ceará (UFC). Professora na Universidade Federal Rural do Semi-Árido. Líder do Laboratório de Inovações em Software (LIS).
Doutor em Ciência da Computação pela Universidade Federal de Campina Grande (UFCG). Professor na Universidade Federal Rural do Semi-Árido (UFERSA).
Referências
ABDELHAFEZ, Hoda A.; AMER, Abeer A. Machine Learning techniques for diabetes prediction: A comparative analysis. Journal of Applied Data Sciences, [s. l.], v. 5, ed. 2, p. 792-807, 2024. DOI: https://doi.org/10.47738/jads.v5i2.219
ARKSEY, H.; O'MALLEY, L. Scoping studies: towards a methodological framework. International journal of social research methodology, v. 8, n. 1, p. 19-32, 2005. DOI: https://doi.org/10.1080/1364557032000119616
BHAT, S. S.; BANU, M.; ANSARI, G. A.; SELVAM, V. A risk assessment and prediction framework for diabetes mellitus using machine learning algorithms. Healthcare Analytics, [s. l.], ed. 4, 2023. DOI: https://doi.org/10.1016/j.health.2023.100273
BRASIL DIABETES REPORT. IDF Diabetes Atlas. 10. ed. [S. l.]: International Diabetes Federation (IDF), 2021. Disponível em: https://diabetesatlas.org/data/en/ Acesso em: 14 fev. 2025.
CHOU, C.-Y.; HSU, D.-Y.; CHOU, C.-H. Predicting the onset of diabetes with Machine Learning methods. Journal of personalized medicine, [s. l.], v. 13, n. 3, 2023. DOI: https://doi.org/10.3390/jpm13030406
DIABETES.ORG. Brasil já tem cerca de 20 milhões de pessoas com diabetes. [S. l.]: Sociedade Brasileira de Diabetes, 31 jan. 2025. Disponível em: https://diabetes.org.br/brasil-ja-tem-cerca-de-20-milhoes-de-pessoas-com-diabetes/ Acesso em: 14 fev. 2025.
FEBRIAN, M. E.; FERDINAN, F. X.; SENDANI, G. P.; SURYANIGRUM, K. M.; YUNANDA, R. Diabetes prediction using supervised machine learning. Procedia Computer Science, [s. l.], v. 216, p. 21-30, 2023. DOI: https://doi.org/10.1016/j.procs.2022.12.107
HOSSAIN, E.; ALSHEHRI, M.; ALMAKDI, S.; HALAWANI, H.; RAHMAN, M. M.; RAHMAN, W.; JANNAT, S.; KAYSAR, N; MIA, S. Dm-Health App: Diabetes Diagnosis Using Machine Learning with Smartphone. Computers, Materials & Continua, [s. l.], v. 72, ed. 1, p. 1713-1746, 2022. DOI: https://doi.org/10.32604/cmc.2022.024822
KAHN, C. R.; WEIR, G. C.; KING, G. L.; JACOBSON, A. M.; MOSES, A. C.; SMITH, R. J. Joslin: diabetes melito. 14. ed. Porto Alegre: ArtMed, 2009. E-book. p.346.
KHANAM, J. J.; FOO, S. Y. A comparison of Machine Learning algorithms for diabetes prediction. ICT Express, Coreia do Sul, v. 7, ed. 4, p. 432-439, 2021. DOI: https://doi.org/10.1016/j.icte.2021.02.004
OLISAH, C. C.; SMITH, L.; SMITH, M. Diabetes mellitus prediction and diagnosis from a data preprocessing and machine learning perspective. Computer Methods and Programs in Biomedicine, [s. l.], v. 220, 2022. DOI: https://doi.org/10.1016/j.cmpb.2022.106773
SANTOS, V. S. Comparison and selection of machine learning algorithms for diabetes prediction: An exploratory quantitative study based on medical data analysis. [S. l.]: Seven Editora, 2024. p. 737–765. DOI: https://doi.org/10.56238/sevened2024.007-053
SERRA, H. O.; NASCIMENTO, V. S. Aprendizado de máquina para diagnóstico de diabetes mellitus. 2022. Trabalho de Conclusão de Curso (Curso Superior de Tecnologia em Informática para Negócios) – Faculdade de Tecnologia de São José do Rio Preto, São José do Rio Preto, 2022.
SONI, M.; VARMA, S. Diabetes prediction using Machine Learning techniques. International Journal of Engineering Research & Technology (IJERT), [s. l.], v. 9, ed. 9, p. 921-925, 2020. DOI: https://doi.org/10.2139/ssrn.3642877
SOUZA, M. Diagnóstico precoce da diabetes pode evitar cegueira, amputações e infartos, dizem especialistas. Agência Câmara de Notícias, [S. l.], 19 nov. 2020. Disponível em: https://www.camara.leg.br/noticias/708896-diagnostico-precoce-da-diabetes-pode-evitar-cegueira-amputacoes-e-infartos-dizem-especialistas/?utm_source=chatgpt.com Acesso em: 14 fev. 2025.
WHO. Diabetes. [S. l.]: World Health Organization, 2024. Disponível em: https://www.who.int/news-room/fact-sheets/detail/diabetes Acesso em: 16 jan. 2025.
ZHOU, B. et al. Worldwide trends in diabetes prevalence and treatment from 1990 to 2022: a pooled analysis of 1108 population-representative studies with 141 million participants. The Lancet, [s. l.], v. 404, ed. 10467, p. 2077-2093, 2024.
ZOU, Q.; QU, K.; LUO, Y.; YIN, D.; JU, Y.; TANG, H. Predicting diabetes mellitus with Machine Learning techniques. Frontiers in genetics, [s. l.], v. 9, n. 515, 2018. DOI: https://doi.org/10.3389/fgene.2018.00515
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.