Aplicação de Técnicas de Mineração de Dados e Aprendizado de Máquina na Comparação de Perfis de AVC entre Idosos e Adultos de Meia-Idade: Estudo da PNS 2019
Resumo
Esse trabalho tem por objetivo explorar o uso de técnicas de aprendizado de máquina para a descrição do perfil de indivíduos diagnosticados com AVC, a fim de comparar o perfil entre duas faixas etárias distintas: adultos na meia idade(40 – 59) e idosos (60-80). Foi aplicado o algoritmo Árvore de Decisão na base de dados fornecida pela Pesquisa Brasileira Nacional de Saúde de 2019. As conclusões indicam que as regras geradas para adultos na meia-idade são principalmente sobre hábitos rotineiros, como trabalho ou consumo de sal, enquanto para idosos estão mais relacionadas a fatores intrínsecos, como a presença de doenças crônicas ou o gênero.
Palavras-chave:
Mineração de Dados, Aprendizado de Máquina, AVC
Referências
Dauchet, L., Amouyel, P., Hercberg, S., & Dallongeville, J. (2005). Fruit and vegetable consumption and risk of coronary heart disease: A meta-analysis of cohort studies. The Journal of Nutrition, 135(10), 2589-2593.
Dritsas, E., & Trigka, M. (2022). Stroke Risk Prediction with Machine Learning Techniques. Sensors (Basel), 22(13), 4670. DOI: 10.3390/s22134670. PMID: 35808172; PMCID: PMC9268898.
Howard, George et al. “Age-Related Differences in the Role of Risk Factors for Ischemic Stroke.” Neurology vol. 100,14 (2023): e1444-e1453. DOI: 10.1212/WNL.0000000000206837
Malik, V. S., Schulze, M. B., & Hu, F. B. (2010). Intake of sugar-sweetened beverages and weight gain: a systematic review. The American Journal of Clinical Nutrition, 84(2), 274-288.
Mozaffarian, D., & Rimm, E. B. (2006). Fish intake, contaminants, and human health: evaluating the risks and the benefits. JAMA, 296(15), 1885-1899.
Noche, Rommell B. et al. “Abstract 156: Recurrent Stroke in Middle-Aged Lacunar Stroke Survivors: Understanding Risk Factors and Vulnerability in an Important Target Population.” Stroke (2020): n. pag.
Paixão, Gabriela Miana de Mattos et al. “Machine Learning in Medicine: Review and Applicability.” “Machine Learning na Medicina: Revisão e Aplicabilidade.” Arquivos brasileiros de cardiologia vol. 118,1 (2022): 95-102. DOI: 10.36660/abc.20200596.
Rajati, F., Rajati, M., Rasulehvandi, R., & Kazeminia, M. (2023). Prevalence of stroke in the elderly: A systematic review and meta-analysis. Interdisciplinary Neurosurgery, 32, 101746, ISSN 2214-7519. DOI: 10.1016/j.inat.2023.101746.
Yousufuddin, M., & Young, N. (2019). Aging and ischemic stroke. Aging (Albany NY), 11(9), 2542-2544. DOI: 10.18632/aging.101931. PMID: 31043575; PMCID: PMC6535078.
Zárate, L., Petrocchi, B., Dias, M. C., Felix, C., & Gomes, M. (2023). CAPTO - A method for understanding problem domains for data science projects: CAPTO - Um método para entendimento de domínio de problema para projetos em ciência de dados. Concilium, 23, 922-941. DOI: 10.53660/CLM-1815-23M33.
Dritsas, E., & Trigka, M. (2022). Stroke Risk Prediction with Machine Learning Techniques. Sensors (Basel), 22(13), 4670. DOI: 10.3390/s22134670. PMID: 35808172; PMCID: PMC9268898.
Howard, George et al. “Age-Related Differences in the Role of Risk Factors for Ischemic Stroke.” Neurology vol. 100,14 (2023): e1444-e1453. DOI: 10.1212/WNL.0000000000206837
Malik, V. S., Schulze, M. B., & Hu, F. B. (2010). Intake of sugar-sweetened beverages and weight gain: a systematic review. The American Journal of Clinical Nutrition, 84(2), 274-288.
Mozaffarian, D., & Rimm, E. B. (2006). Fish intake, contaminants, and human health: evaluating the risks and the benefits. JAMA, 296(15), 1885-1899.
Noche, Rommell B. et al. “Abstract 156: Recurrent Stroke in Middle-Aged Lacunar Stroke Survivors: Understanding Risk Factors and Vulnerability in an Important Target Population.” Stroke (2020): n. pag.
Paixão, Gabriela Miana de Mattos et al. “Machine Learning in Medicine: Review and Applicability.” “Machine Learning na Medicina: Revisão e Aplicabilidade.” Arquivos brasileiros de cardiologia vol. 118,1 (2022): 95-102. DOI: 10.36660/abc.20200596.
Rajati, F., Rajati, M., Rasulehvandi, R., & Kazeminia, M. (2023). Prevalence of stroke in the elderly: A systematic review and meta-analysis. Interdisciplinary Neurosurgery, 32, 101746, ISSN 2214-7519. DOI: 10.1016/j.inat.2023.101746.
Yousufuddin, M., & Young, N. (2019). Aging and ischemic stroke. Aging (Albany NY), 11(9), 2542-2544. DOI: 10.18632/aging.101931. PMID: 31043575; PMCID: PMC6535078.
Zárate, L., Petrocchi, B., Dias, M. C., Felix, C., & Gomes, M. (2023). CAPTO - A method for understanding problem domains for data science projects: CAPTO - Um método para entendimento de domínio de problema para projetos em ciência de dados. Concilium, 23, 922-941. DOI: 10.53660/CLM-1815-23M33.
Publicado
14/10/2024
Como Citar
GONÇALVES, Ligia Ferreira de Carvalho; GÁLVEZ, Luis Enrique Zárate.
Aplicação de Técnicas de Mineração de Dados e Aprendizado de Máquina na Comparação de Perfis de AVC entre Idosos e Adultos de Meia-Idade: Estudo da PNS 2019. In: DATA SCIENCE FOR SOCIAL GOOD BRAZILIAN WORKSHOP (DS4SG) - SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 39. , 2024, Florianópolis/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 308-317.
DOI: https://doi.org/10.5753/sbbd_estendido.2024.243520.
