Modelo perceptron multicamadas utilizando computação quântica para analisar riscos de hipertensão

Abstract

A hipertensão é uma condição em que a pressão do sangue dentro das artérias permanece elevada por longos períodos. Essa condição é subdiagnosticada, principalmente porque muitos indivíduos não apresentam sintomas em seu estágio inicial, no qual o diagnóstico aparece após o surgimento de complicações, em que o dano ao sistema cardiovascular já está avançado. Assim, há a necessidade de um diagnóstico antecipado, capaz de identificar a doença antes que ela progrida. O presente trabalho explora essa lacuna buscando métodos mais eficientes com o uso de deep learning e computação quântica capazes de realizar o diagnóstico preliminar dessa condição por meio de variáveis clínicas de influência. O principal objetivo é o desenvolvimento de um modelo de deep learning clássico e de um segundo modelo com camadas internamente híbridas e comparar por meio de métricas de precisão entre os dois modelos, além de realizar a análise das variáveis de influência. Em seguida, foram realizados testes para avaliar o número de acertos dos modelos, precisão, sensibilidade, F1-score e tempo de treinamento. Portanto, os resultados obtidos indicam que os modelos desenvolvidos oferecem um recurso para a predição de riscos de hipertensão. Em particular, o modelo híbrido demonstrou potencial, considerando as perspectivas de avanço da computação quântica, para ampliar ainda mais sua eficácia.