Comparação e seleção de algoritmos de aprendizado de máquina para predição de diabetes: Um estudo quantitativo exploratório baseado em análise de dados médicos

Resumo

A prevalência global de diabetes está aumentando a uma taxa alarmante, tornando a detecção precoce e precisa uma área crítica de interesse. Este estudo emprega técnicas de Machine Learning para prever a incidência de diabetes em uma população de mulheres da herança Pima, conhecida por sua predisposição à doença. Usando um banco de dados de medidas diagnósticas, vários algoritmos foram aplicados, incluindo Support Vector Machines (SVM), Artificial Neural Networks (ANN), K-Nearest Neighbors (KNN), Decision Trees e Random Forest, para desenvolver modelos preditivos. A Análise de Componentes Principais (ACP) foi implementada para redução da dimensionalidade e realce das principais variáveis diagnósticas, otimizando o desempenho do algoritmo. Os resultados evidenciaram a superioridade da Floresta Aleatória, que apresentou maior acurácia e precisão, sugerindo sua viabilidade como ferramenta diagnóstica clínica. Este estudo contribui para o campo emergente das aplicações de inteligência artificial em saúde, fornecendo insights valiosos para a prevenção e tratamento precoce do diabetes.

DOI:https://doi.org/10.56238/sevened2024.007-053