Identificação de problemas cardíacos através de modelos preditivos baseados em supervised machine learning
Palavras-chave:
XGBoost, Random Forest, KNeighbors Classifier, Health, HeartResumo
Os modelos preditivos de “supervised machine learning”, estão se tornando cada vez mais importantes no auxílio a tomada de decisões para diversas áreas do conhecimento humano e, consequentemente, também serão importantes para auxílio em casos médicos de maior complexidade. O objetivo do estudo é desenvolver um algoritmo de “supervised machine learning” que consiga ter uma alta taxa de aproveitamento em relação a previsão se determinada pessoa tem problema cardíaco ou não. O artigo mostra como foram desenvolvidos os modelos, os testes aplicados antes da implementação dos modelos, a taxa de aproveitamento de cada modelo e uma análise de qual é o modelo mais eficiente para situação em específico. As especificações de cada modelo de “supervised machine learning” e o seu impacto no desenvolvimento dos modelos que foram usados no trabalho, determinados por teste e aplicações feitas na linguagem de programação Python; foram considerado os resultados positivos e negativos para se chegar a uma posição final sobre qual era a melhor forma de se usar os algoritmos neste caso. O artigo conclui que a aplicação de modelos de “supervised machine learning” no diagnóstico de problemas cardíacos, pode ajudar muitas instituições de saúde, tanto públicas quanto privadas, a agilizar processos e a aumentar a taxa de acerto na hora de classificar uma pessoa como cardíaca ou não cardíaca, a terem uma elevada melhora nesse processo e consequentemente aumentar a eficiência e a lucratividade no caso das instituições privadas.
