Machine learning na predição de diabetes: uma abordagem explicável

Abstract

O Diabetes Mellitus é uma doença crônica que representa um importante problema de saúde pública, estando associado a diversas complicações que impactam significativamente a qualidade de vida dos indivíduos. Nesse contexto, técnicas de Machine Learning têm sido amplamente utilizadas para apoiar a predição e o diagnóstico precoce da doença. Entretanto, apesar do bom desempenho apresentado por muitos modelos, a falta de transparência em suas decisões ainda representa um desafio para sua aplicação em ambientes clínicos. Diante disso, este trabalho teve como objetivo desenvolver e avaliar modelos de ML para a predição de diabetes, analisando seu desempenho e explorando a explicabilidade do modelo com melhor resultado por meio da técnica SHAP. Para isso, foi utilizado o conjunto de dados Diabetes Prediction Dataset, disponível na plataforma Kaggle, contendo aproximadamente 100 mil registros e nove variáveis clínicas e demográficas. O pré-processamento dos dados envolveu codificação de variáveis categóricas, padronização dos atributos e seleção de características utilizando o método RFE. Foram implementados os algoritmos Regressão Logística, KNN, SVC, Random Forest e MLP. Os modelos foram submetidos à otimização de hiperparâmetros por meio da técnica Grid Search e avaliados utilizando validação cruzada em 10-Fold, considerando as métricas acurácia, precisão, recall, F1-score e AUC-ROC. Os resultados mostraram que os modelos apresentaram desempenho superior na identificação da classe majoritária, enquanto a classe referente aos pacientes diabéticos apresentou maior dificuldade de classificação, evidenciando os impactos do desbalanceamento dos dados. Entre os modelos avaliados, o MLP apresentou o melhor desempenho geral, enquanto o SVC apresentou melhoria significativa após a otimização dos hiperparâmetros. A aplicação da técnica SHAP permitiu identificar as variáveis mais relevantes para as predições, destacando principalmente o nível de glicose no sangue, a hemoglobina glicada, a idade e o índice de massa corporal. Os resultados obtidos demonstram que algoritmos clássicos de ML, aliados a técnicas de explicabilidade, podem contribuir para a construção de modelos confiáveis e transparentes, com potencial para apoiar a tomada de decisão clínica e a detecção precoce do diabetes.