Mineração de Dados para Caracterizar Indivíduos Hipertensos com Doenças Cardiovasculares no Brasil
Resumo
Este estudo utilizou mineração de dados para classificar indivíduos saudáveis e hipertensos com doenças cardiovasculares (HA + DCV) no Brasil, a partir da PNS 2019. Foram testados algoritmos como Árvore de Decisão, Floresta Aleatória e Naive-Bayes. Os modelos tiveram desempenho semelhante, com a Floresta Aleatória atingindo 97% de precisão e sensibilidade para identificar saudáveis. No entanto, a classificação de HA + DCV foi desafiadora, com menor sensibilidade, possivelmente devido à ausência de diagnósticos formais e fatores como estilo de vida. Os resultados evidenciam a importância de dados mais detalhados e longitudinais para melhorar a identificação de doenças crônicas.
Palavras-chave:
Mineração de Dados, Hipertensão Arterial, Doenças Cardiovasculares, Aprendizado de Máquina, Pesquisa Nacional de Saúde
Referências
AlKaabi, L., Ahmed, L., Al Attiyah, M., and Abdel-Rahman, M. (2020). Predicting hypertension using machine learning: Findings from qatar biobank study. PLOS ONE, 15(10):e0240370.
Alwan, A. (2011). Global status report on noncommunicable diseases 2010. World Health Organization, Geneva. 176 pp.
Bhatt, C., Patel, P., Ghetia, T., and Mazzeo, P. (2023). Effective heart disease prediction using machine learning techniques. Algorithms, 16(2):88.
de Araújo, J., de Alencar Rodrigues, R., da Costa Pereira de Arruda Neta, A., et al. (2022). The direct and indirect costs of cardiovascular diseases in brazil. PLOS ONE, 17(12):e0278891.
de Carvalho, N., Gomes, M., and Zárate, L. (2024). Mineração de dados no diagnóstico de hipertensão baseado na pesquisa nacional em saúde 2019. J Health Inform, 16(Especial).
Gárate-Escamila, A., El Hassani, A., and Andrès, E. (2020). Classification models for heart disease prediction using feature selection and pca. Informatics in Medicine Unlocked, 19:100330.
Gonçalves, L., Franca, D., and Zarate, L. (2024). Relevância do entendimento do domínio de problema na construção de modelos computacionais de aprendizado. In Anais do XVIII Brazilian e-Science Workshop, pages 135–142, Porto Alegre, RS, Brasil. SBC.
IBGE (2020). Pesquisa nacional de saúde 2019 - instituto brasileiro de geografia e estatística. [link]. Acesso em: 2024-07-15.
Loyola-González, O. (2019). Black-box vs. white-box: Understanding their advantages and weaknesses from a practical point of view. IEEE Access, 7:154096–154113.
Malta, D. et al. (2022). Hipertensão arterial e fatores associados: Pesquisa nacional de saúde, 2019. Revista de Saúde Pública, 56:122.
National Institute on Alcohol Abuse and Alcoholism (2022). Standard alcohol guidelines.
Powell-Wiley, T., Poirier, P., Burke, L., et al. (2021). Obesity and cardiovascular disease: A scientific statement from the american heart association. Circulation, 143(21):e84–e118.
Sousa, C., Ribeiro, A., Barreto, S., et al. (2022). Diferenças raciais no controle da pressão arterial em usuários de anti-hipertensivos em monoterapia: resultados do estudo elsa-brasil. Arq. Bras. Cardiol., 118(3):614–622.
Sousa, M. and Zarate, L. (2024). A epidemia silenciosa: Explorando os determinantes comportamentais e socioeconômicos da deficiência renal crônica no brasil. In Anais Estendidos do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 318–327, Porto Alegre, RS, Brasil. SBC.
Stevens, B., Pezzullo, L., Verdian, L., Tomlinson, J., George, A., and Bacal, F. (2018). The economic burden of heart conditions in brazil. Arq. Bras. Cardiol., 111(1):29–36.
WHO (2011). Global Atlas on Cardiovascular Disease Prevention and Control. World Health Organization, Geneva.
WHO (2021). Obesity and overweight.
Yang, J., Rahardja, S., and Fränti, P. (2019). Outlier detection: how to threshold outlier scores? In Proc. of the Int. Conf. on Artificial Intelligence, Information Processing and Cloud Computing, pages 37–42.
Zilbermint, M., Hannah-Shmouni, F., and Stratakis, C. (2019). Genetics of hypertension in african americans and others of african descent. Int. J. Mol. Sci., 20(5):1081.
Alwan, A. (2011). Global status report on noncommunicable diseases 2010. World Health Organization, Geneva. 176 pp.
Bhatt, C., Patel, P., Ghetia, T., and Mazzeo, P. (2023). Effective heart disease prediction using machine learning techniques. Algorithms, 16(2):88.
de Araújo, J., de Alencar Rodrigues, R., da Costa Pereira de Arruda Neta, A., et al. (2022). The direct and indirect costs of cardiovascular diseases in brazil. PLOS ONE, 17(12):e0278891.
de Carvalho, N., Gomes, M., and Zárate, L. (2024). Mineração de dados no diagnóstico de hipertensão baseado na pesquisa nacional em saúde 2019. J Health Inform, 16(Especial).
Gárate-Escamila, A., El Hassani, A., and Andrès, E. (2020). Classification models for heart disease prediction using feature selection and pca. Informatics in Medicine Unlocked, 19:100330.
Gonçalves, L., Franca, D., and Zarate, L. (2024). Relevância do entendimento do domínio de problema na construção de modelos computacionais de aprendizado. In Anais do XVIII Brazilian e-Science Workshop, pages 135–142, Porto Alegre, RS, Brasil. SBC.
IBGE (2020). Pesquisa nacional de saúde 2019 - instituto brasileiro de geografia e estatística. [link]. Acesso em: 2024-07-15.
Loyola-González, O. (2019). Black-box vs. white-box: Understanding their advantages and weaknesses from a practical point of view. IEEE Access, 7:154096–154113.
Malta, D. et al. (2022). Hipertensão arterial e fatores associados: Pesquisa nacional de saúde, 2019. Revista de Saúde Pública, 56:122.
National Institute on Alcohol Abuse and Alcoholism (2022). Standard alcohol guidelines.
Powell-Wiley, T., Poirier, P., Burke, L., et al. (2021). Obesity and cardiovascular disease: A scientific statement from the american heart association. Circulation, 143(21):e84–e118.
Sousa, C., Ribeiro, A., Barreto, S., et al. (2022). Diferenças raciais no controle da pressão arterial em usuários de anti-hipertensivos em monoterapia: resultados do estudo elsa-brasil. Arq. Bras. Cardiol., 118(3):614–622.
Sousa, M. and Zarate, L. (2024). A epidemia silenciosa: Explorando os determinantes comportamentais e socioeconômicos da deficiência renal crônica no brasil. In Anais Estendidos do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 318–327, Porto Alegre, RS, Brasil. SBC.
Stevens, B., Pezzullo, L., Verdian, L., Tomlinson, J., George, A., and Bacal, F. (2018). The economic burden of heart conditions in brazil. Arq. Bras. Cardiol., 111(1):29–36.
WHO (2011). Global Atlas on Cardiovascular Disease Prevention and Control. World Health Organization, Geneva.
WHO (2021). Obesity and overweight.
Yang, J., Rahardja, S., and Fränti, P. (2019). Outlier detection: how to threshold outlier scores? In Proc. of the Int. Conf. on Artificial Intelligence, Information Processing and Cloud Computing, pages 37–42.
Zilbermint, M., Hannah-Shmouni, F., and Stratakis, C. (2019). Genetics of hypertension in african americans and others of african descent. Int. J. Mol. Sci., 20(5):1081.
Publicado
29/09/2025
Como Citar
COSTA, Gustavo; GÁLVEZ, Luis Enrique Zárate.
Mineração de Dados para Caracterizar Indivíduos Hipertensos com Doenças Cardiovasculares no Brasil. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 40. , 2025, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 168-181.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2025.247058.
