Identificação de Fatores Associados à Artrite Utilizando Técnicas de Mineração de Dados

• Anderson Babetto Pontifícia Universidade Católica de Minas Gerais (PUC Minas)
• Cristiane Neri Nobre Pontifícia Universidade Católica de Minas Gerais (PUC Minas)
• Luis Enrique Zarate Pontifícia Universidade Católica de Minas Gerais (PUC Minas)

DOI: https://doi.org/10.5753/sbbd_estendido.2026.249514

Resumo

A artrite é um desafio de saúde pública cuja prevalência aumenta com o envelhecimento, exigindo estratégias eficazes de triagem populacional. Este estudo analisa fatores associados à artrite na população brasileira entre 40 e 60 anos, utilizando microdados da Pesquisa Nacional de Saúde (PNS) de 2019, para desenvolver um modelo de classificação voltado à triagem. O pipeline integra imputação de dados (KNNImputer), balanceamento híbrido (RUS + SMOTE) e seleção de atributos via Ant Colony Optimization (ACO). A otimização por busca bayesiana indicou o Bernoulli Naive Bayes como o melhor modelo, alcançando recall de 0,66 e priorizando a redução de falsos negativos. Os resultados evidenciam que a depressão e comorbidades crônicas possuem maior poder preditivo que hábitos alimentares isolados.

Palavras-chave: Artrite, Mineração de Dados, Otimização de Colônia de Formigas, Balanceamento Híbrido, Imputação de Dados

Referências

Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research.

Dorigo, M., Birattari, M., Blum, C., Clerc, M., Stützle, T., and Winfield, A. (2006). Ant colony optimization. Springer.

Fix, E. and Hodges, J. L. (1951). Discriminatory analysis. nonparametric discrimination: Consistency properties. US Air Force School of Aviation Medicine.

Gupta, S., Mehta, R., et al. (2024). Innovative machine learning approach for distinguishing rheumatoid arthritis and osteoarthritis. Journal of Scientific Innovation in Medicine.

IBGE (2020). Pesquisa Nacional de Saúde 2019: percepção do estado de saúde, estilos de vida, doenças crônicas e saúde bucal. Instituto Brasileiro de Geografia e Estatística, Rio de Janeiro.

Khamparia, A., Singh, P. K., et al. (2022). Prediction of hidden patterns in rheumatoid arthritis patients records using data mining. Multimedia Tools and Applications, 81.

Liu, X., Sun, M., et al. (2024). Diet affects inflammatory arthritis: a mendelian randomization study of 30 dietary patterns causally associated with inflammatory arthritis. Frontiers in Nutrition.

Mockus, J. (1978). The application of bayesian methods for seeking the extremum. Journal of Global Optimization.

Oliveira, A. K. et al. (2014). Avaliações dietética e antropométrica em artrite reumatoide juvenil. Revista da Associação Médica Brasileira.

Quinlan, J. R. (1993). C4.5: Programs for machine learning. Morgan Kaufmann Publishers.

Silva, J., Santos, M., et al. (2024). Técnicas de pré-processamento e seleção de atributos em bases de dados governamentais. Anais do XXXIX Simpósio Brasileiro de Bancos de Dados.

Skare, T. L. et al. (2014). Perfil nutricional do paciente com artrite reumatoide. Revista Brasileira de Reumatologia.

Stützle, T. and Hoos, H. H. (2000). Max–min ant system. Future generation computer systems, 16(8):889–914.

Vadell, A. K. et al. (2018). Anti-inflammatory diet in rheumatoid arthritis (adira): protocolo de ecr cruzado. Nutrition Journal.

Wastyk, H. C. et al. (2018). Machine learning with ingredient-level food trees reveals contributors to systemic inflammation. American Journal of Clinical Nutrition.

Zeng, P. et al. (2020). The relationship between dietary patterns and rheumatoid arthritis: casecontrol. Nutrition & Metabolism.

Zhang, Y., Wang, L., Liu, J., et al. (2025). Machine learning-driven insights into lipid metabolism and inflammatory pathways in knee osteoarthritis. Frontiers in Nutrition.