Diabetes

Motivação

O Diabetes Mellitus é uma condição crônica que afeta milhões de pessoas em todo o mundo. O crescimento acentuado da prevalência nas últimas décadas se apresenta como um grave problema de saúde pública. Com o crescente volume de dados de saúde disponíveis, há uma oportunidade de usar modelos de inteligência artificial para melhorar a detecção precoce, o diagnóstico e o gerenciamento de diabetes. A aplicação de técnicas de aprendizado de máquina pode fornecer insights valiosos que auxiliam profissionais de saúde na tomada de decisões e no tratamento dos pacientes.

Objetivo

Desenvolver um modelo de aprendizado supervisionado que possa prever a presença de diabetes em indivíduos com base em um conjunto de indicadores de saúde. Usaremos o dataset CDC Diabetes Health Indicators para treinar e testar o modelo, visando obter um classificador eficaz que possa diferenciar entre indivíduos com e sem diabetes.

Descrição do dataset

O conjunto de dados CDC Diabetes Health Indicators contém informações de 253.680 indivíduos, com 21 características relacionadas à saúde e estilo de vida, como idade, IMC, pressão arterial, histórico de tabagismo, e outros. As variáveis de saída são categóricas, indicando se o indivíduo é saudável, pré-diabético ou diabético.

https://archive.ics.uci.edu/dataset/891/cdc+diabetes+health+indicators

Preparação dos dados

- limpeza de dados.
- validação de dados.
- revisão de formato.
- derivação de dados.
- agregação de dados.
- integração de dados.
- verificação de dados faltantes.
- one hot encoding.
- normalização.

Treinamento do modelo de aprendizado de máquina

• Seleção do(s) modelo(s) supervisionado(s). (Árvore de decisão, Random Forest, SVM, KNN)
• Grid com os hiperparâmetros.
• Amostras usadas para treinamento, validação e teste, e método de validação usado.
• Medidas de desempenho usadas para otimização. (Acurácia)

Avaliação

• Matriz confusão.
• Medidas de desempenho usadas para o teste.
• Visualização (Curva ROC)
• Gráficos de árvore de decisão

Conclusão

A análise comparativa dos modelos de ML destaca o SVM como o mais eficaz na predição de diabetes mellitus, seguido de perto pelo Random Forest, Decision Tree e KNN. Esses modelos demonstram potencial para serem integrados em sistemas de suporte à decisão clínica, auxiliando no diagnóstico precoce e no manejo eficaz da doença.

Dificuldades encontradas: Devido ao grande volume de dados presentes na base, foi necessário realizar uma otimização significativa para garantir que o sistema operacional pudesse processar as informações de maneira eficiente.

Próximos passos:

• Realizar o treinamento com a base de dados completas e balanceando os dados com o class weight (pesos).
• Fazer a seleção das variáveis baseado na relevância avaliada
• Utilizar outros modelos para comparação
• Treinar com uma base de dados brasileira

Metadata

• uci_id: Unique dataset identifier for UCI repository
• name
• abstract: Short description of dataset
• area: Subject area e.g. life science, business
• task: Associated machine learning tasks e.g. classification, regression
• characteristics: Dataset types e.g. multivariate, sequential
• num_instances: Number of rows or samples
• num_features: Number of feature columns
• feature_types: Data types of features
• target_col: Name of target column(s)
• index_col: Name of index column(s)
• has_missing_values: Whether the dataset contains missing values
• missing_values_symbol: Indicates what symbol represents the missing entries (if the dataset has missing values)
• year_of_dataset_creation
• dataset_doi: DOI registered for dataset that links to UCI repo dataset page
• creators: List of dataset creator names
• intro_paper: Information about dataset's published introductory paper
• repository_url: Link to dataset webpage on the UCI repository
• data_url: Link to raw data file
• additional_info: Descriptive free text about dataset
  • summary: General summary
  • purpose: For what purpose was the dataset created?
  • funding: Who funded the creation of the dataset?
  • instances_represent: What do the instances in this dataset represent?
  • recommended_data_splits: Are there recommended data splits?
  • sensitive_data: Does the dataset contain data that might be considered sensitive in any way?
  • preprocessing_description: Was there any data preprocessing performed?
  • variable_info: Additional free text description for variables
  • citation: Citation Requests/Acknowledgements
• external_url: URL to external dataset page. This field will only exist for linked datasets i.e. not hosted by UCI

Links

• UCI Machine Learning Repository home page
• PyPi repository for this package
• Submit an issue