Avaliação de modelos de predição de risco de doenças cardiovasculares utilizando aprendizado de máquina

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSeixas, Flavio Luiz-
Autor(es): dc.contributorCarvalho, Aline Marins Paes-
Autor(es): dc.contributorSouza Filho, Erito Marques de-
Autor(es): dc.creatorPaiva, Daniel Ribeiro-
Data de aceite: dc.date.accessioned2024-07-11T18:20:01Z-
Data de disponibilização: dc.date.available2024-07-11T18:20:01Z-
Data de envio: dc.date.issued2023-09-19-
Data de envio: dc.date.issued2023-09-19-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/30441-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/768466-
Descrição: dc.descriptionDoenças cardiovasculares e suas complicações são hoje a maior causa de morte no planeta, portanto o diagnóstico rápido e preciso é vital para minimizar o risco de morte do paciente. Neste trabalho, é feito um estudo comparativo utilizando vários algoritmos de aprendizado de máquina como o Naive Bayes, KNN, SVM, Floresta Aleatória e Regressão Logística a fim de descobrir qual atinge o melhor desempenho. Foram utilizados dados de aproximadamente mil pacientes e, após a realização de um pré-processamento, esses dados foram empregados para treinar cada um dos modelos. Os resultados foram coletados utilizando a estratégia de validação cruzada 10-fold e, mediante análise das métricas resultantes, demonstraram que o modelo com regressão logística atingiu os melhores resultados gerais dentre os modelos observados. Com isso, foi possível observar a viabilidade da aplicação de algoritmos de Aprendizado de Máquina (AM) para a predição de tais doenças e no futuro ser possível refiná-los para aplicações em larga escala.-
Descrição: dc.descriptionHeart disease and its complications are today the leading cause of death on the planet, that means that rapid and accurate diagnosis is vital to minimize the patient’s risk of death. In this paper, a comparative study is made using several machine learning algorithms such as Naive Bayes, KNN, SVM, Random Forest and Logistic Regression in order to find out which one achieves the best performance. Data from approximately one thousand patients were used and, after the application of a pre-processing, said data was used to train each of the models. The results were collected using the 10-fold crossvalidation strategy and, by analyzing the resulting metrics, demonstrated that the model with logistic regression achieved the best overall results among the observed models. With this, it was possible to observe the feasibility of applying Machine Learning algorithms for the prediction of such diseases and, in the future, it will be possible to refine them for large-scale applications.-
Descrição: dc.description51 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectDoença cardiovascular-
Palavras-chave: dc.subjectSaúde-
Palavras-chave: dc.subjectValidação cruzada-
Palavras-chave: dc.subjectPredição de risco-
Palavras-chave: dc.subjectDiagnóstico-
Palavras-chave: dc.subjectProcessamento de dados (Computação)-
Palavras-chave: dc.subjectRegressão logística-
Palavras-chave: dc.subjectValidação (Qualidade)-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectHeart disease-
Palavras-chave: dc.subjectHealthcare-
Palavras-chave: dc.subjectCross validation-
Palavras-chave: dc.subjectRisk Prediction-
Título: dc.titleAvaliação de modelos de predição de risco de doenças cardiovasculares utilizando aprendizado de máquina-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.