TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL PARA ANÁLISE E PROCESSAMENTO DE DADOS: APLICAÇÃO DE MODELOS DE MACHINE LEARNING NO DIAGNÓSTICO DE DOENÇAS GERIÁTRICAS

Resumo

O Acidente Vascular Cerebral é uma das principais causas de morte e incapacidade no mundo. A doença exige um diagnóstico rápido para minimizar sequelas e melhorar o prognóstico dos pacientes. Dessa forma, algumas técnicas de Aprendizado de Máquina vêm se mostrando ferramentas promissoras para auxiliar na triagem pré-hospitalar. Este trabalho apresenta a implementação e avaliação de quatro modelos de classificação: K-Nearest Neighbors, Random Forest, eXtreme Gradient Boosting e Support Vector Machine, aplicados ao conjunto de dados "Stroke Prediction" do Kaggle, que foi submetido a etapas de pré-processamento, balanceamento de classes e otimização de hiperparâmetros. Além disso, aplicou-se a técnica SelectKBest para identificar as variáveis mais relevantes, visando futuras aplicações em sistemas embarcados. Os resultados indicaram um bom desempenho em todos os modelos, com destaque para o Random Forest, que alcançou acurácia de 98,9% com 12 variáveis e manteve 96,9% ao ser reduzido para apenas quatro variáveis de maior relevância (idade, hipertensão, doença cardíaca e glicemia média). Os experimentos demonstram que modelos podem apoiar de forma eficaz a detecção precoce da doença, possibilitando sua integração em aplicações móveis ou dispositivos de baixo custo voltados para triagem rápida e confiável.