Stroke.IA: uma ferramenta para o auxílio na classificação de pacientes em relação ao AVC

Abstract

Ao longo dos anos, houve uma crescente alta na ocorrência de casos de AVC, devido ao aumento da população idosa. Dados atuais indicam que o AVC é um dos principais causadores de morte e invalidez em todo o mundo, atingindo milhões de pessoas e deixando os sobreviventes com inúmeras sequelas, sejam elas físicas ou mentais. Em sua fase inicial, o AVC pode apresentar sinais indicativos antes mesmo de sua ocorrência. Dentre esses sinais indicativos, a dormência em uma parte corpo, confusão mental e dificuldade para falar ou compreender são os mais comuns. A identificação precoce desses sinais é de extrema importância, diminuindo o risco de morte instantânea do paciente e o risco de deficiências que podem afetar significativamente sua vida. Muitos fatores como diabetes, tabagismo, hipertensão arterial e outros, também podem favorecer para o surgimento do AVC, o que aumenta cada vez mais os índices de mortalidade, tornando-se necessário o conhecimento desses fatores para contribuir com medidas preventivas precoces. Na literatura, técnicas de inteligência artificial são amplamente estudadas como parâmetros para sistemas preditivos visando auxiliar na identificação precoce do Acidente Vascular Cerebral (AVC). Dentre essas técnicas, as de Aprendizagem de Máquina (AM) são indicadas em sistemas preditivos. Desta forma, o objetivo deste trabalho é apresentar uma ferramenta preditiva inteligente baseada em AM para auxiliar os profissionais da saúde no diagnóstico de pacientes propensos a terem um AVC, em especial na prevenção dos fatores de risco e sinais indicativos. Uma Revisão Sistemática da Literatura (RSL) foi realizada e identificouse um número significativo de trabalhos que fizeram a utilização de abordagens preditivas para auxiliar no diagnóstico do AVC. Neste estudo, foi utilizado a biblioteca PyCaret para selecionar o melhor algoritmo entre 14 opções, destacando o Random Forest como melhor algoritmo. Após isso, identificou-se atributos com menor importância para o modelo e fez-se a criação de três novas bases de dados: Base21, Base16 e Base11. A Base21 se destacou com acurácia, precisão, f1-score e recall de 90,74%, AUC de 0,97 e kappa de 0,84. Por fim, desenvolveu-se uma aplicação web para exemplificar a utilidade prática do modelo. Essa aplicação foi testada por profissionais da área da saúde, produzindo resultados notáveis e pertinentes