Previsão da diabetes usando técnicas de machine learning: uma análise comparativa de modelos e aplicação prática

Abstract

O uso de técnicas de Machine Learning para a previsão de doenças, como a diabetes, tem se destacado devido à sua capacidade de identificar padrões em grandes volumes de dados médicos e auxiliar na tomada de decisões clínicas. A diabetes é uma condição crônica que, se não for diagnosticada e tratada precocemente, pode levar a complicações graves. Dessa forma, prever o seu desenvolvimento em estágios iniciais, com base em fatores como: idade, histórico familiar, hábitos de vida e exames laboratoriais, pode contribuir significativamente para a gestão da saúde e a personalização do tratamento. Neste contexto, este trabalho investiga a aplicação de algoritmos de Machine Learning na análise de dados médicos para prever a ocorrência da doença. Além disso, esta pesquisa enfatiza a importância da qualidade dos dados, da seleção de características relevantes e da interpretabilidade dos modelos, fatores essenciais para a confiabilidade das previsões e seu impacto nas decisões médicas. De forma geral, a pesquisa compara o desempenho de diferentes algoritmos, analisando a contribuição de cada variável utilizada e destacando os fatores mais influentes na previsão da diabetes. Dessa forma, foram desenvolvidos modelos que, além de eficazes, fornecem insights que podem aprimorar abordagens preditivas no contexto da saúde. Seguindo esse norte, o estudo alcançou, como resultado, uma acurácia de 99% para o modelo Random Forest. Por fim, foi desenvolvida uma API, a Diagly, que integrar o modelo Random Forest a sistemas de saúde, permitindo que profissionais da área utilizem a ferramenta para auxiliar no diagnóstico e monitoramento da diabetes. Essa API facilitará, então, o acesso aos resultados das previsões, tornando o uso dos modelos mais prático e acessível.