PREDICCIÓN Y DIAGNÓSTICO DEL ALZHEIMER UTILIZANDO TÉCNICAS DE MACHINE LEARNING
Resumen
Este trabajo tiene como objetivo explorar el uso de técnicas de aprendizaje automático para predecir el diagnóstico de la enfermedad de Alzheimer, una condición neurodegenerativa de difícil detección temprana. El estudio utiliza técnicas como Support Vector Machine, Random Forest y K-Nearest Neighbors, aplicadas a un conjunto de datos que contiene información demográfica, de estilo de vida e historial médico de los pacientes. Los resultados obtenidos permitieron evaluar el rendimiento de los modelos a partir de métricas como exactitud, precisión, recall y especificidad.
Biografía del autor/a
Graduando em Sistemas de Informação na Universidade Federal Rural do Semi-Árido - UFERSA.
Graduanda em Sistemas de Informação na Universidade Federal Rural do Semi-Árido - UFERSA.
Docente do Departamento de Ciências Exatas e Tecnologia na Universidade Federal Rural do Semi-Árido - UFERSA.
Docente do Departamento de Sistemas de Computação na Universidade Federal da Paraíba - UFPB.
Referencias
AHUJA, Abhimanyu S. The impact of artificial intelligence in medicine on the future role of the physician. PeerJ, v. 7, e7702, 2019. Disponível em: https://peerj.com/articles/7702/ Acesso em: 27 abr. 2025 DOI: https://doi.org/10.7717/peerj.7702 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. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC8826344/ Acesso em: 27 abr. 2025 DOI: https://doi.org/10.18502/ijph.v50i11.7600 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. Disponível em: https://rbmc.org.br/rbmc/article/view/33 Acesso em: 27 abr. 2025 DOI: https://doi.org/10.36414/rbmc.v6i14.33 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: https://doi.org/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
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.