Modelos de Aprendizado de Máquina na Predição de Diabetes Tipo 1 na Gestação usando Dados do Sistema Único de Saúde

• Jorge R. H. Moreira UFJF
• Heder S. Bernardino UFJF
• Helio J. C. Barbosa UFJF / LNCC
• Alex B. Vieira UFJF

DOI: https://doi.org/10.5753/sbcas.2021.16082

Resumo

A diabetes mellitus pré-existente ou desenvolvida na gestação pode trazer sérios riscos de saúde à gestante e ao bebê, durante todo o ciclo gravídico-puerperal. Nesse sentido, predizer a presença de um dos tipos de diabetes, mesmo antes de seus primeiros sintomas, pode gerar impactos positivos nos sistemas de saúde pública. Este trabalho buscou gerar um modelo de classificação, utilizando dados da produção ambulatorial do Sistema Único de Saúde, que possa predizer a presença de um dos tipos de diabetes (tipo 1), conforme as características e o histórico de acompanhamento da paciente gestante. O classificador proposto é capaz de separar as gestantes no sistema de saúde conforme a predisposição à doença, possibilitando gerar um alerta ao sistema, e com isso, direcionar a atenção ao acompanhamento da gestante no âmbito dessa condição de saúde. Os resultados obtidos foram relevantes, apresentando sensibilidade e precisão superiores a 90%. Assim, acredita-se que o modelo proposto pode ser mais um recurso para aprimoramento do sistema.

Referências

Acharjee, S., Ghosh, B., Al-Dhubiab, B., and Nair, A. (2013). Understanding type 1 diabetes: etiology and models. Canadian Journal of Diabetes, 37(4):269–276.

Albuquerque, J. P. D., Vasques, E. P., and Machado, G. R. (2011). Ambivalent implications of health care information systems: A study in the Brazilian public health care system. Revista de Administração de Empresas, 51.

Beeck, A. and Eizirik, D. (2016). Viral infections in type 1 diabetes mellitus why the cells? Nature Reviews Endocrinology, 12:263–273.

Cavalcante, G. L., Moura, M. C. L., Lago, A. F. V., and de Oliveira Lima, J. V. (2020). Perl farmacoepidemiológico de pacientes com diabetes mellitus tipo 1. Research, Society and Development, 9:184953361.

Chaves, L. and Marques, G. (2021). Data Mining Techniques for Early Diagnosis of Diabetes: A Comparative Study. Applied Sciences, 11(5).

Di Nubila, H. B. V. and Buchalla, C. M. (2008). O papel das Classicações da OMS-CID e CIF nas denições de deciência e incapacidade. Revista Brasileira de Epidemiologia, 11(2):324–335.

Feitosa, A. C. R. and íAvila, A. N. (2016). Uso do prontuário eletrônico na assistência pré-natal às portadoras de diabetes na gestação. Revista Brasileira de Ginecologia e Obstetrícia, 38:9 – 19.

IDF (2015). IDF Diabetes Atlas. 7th ed. Brussels: International Diabetes Federation. http://www.diabetesatlas.org, Acessado em: 24/09/2020.

IDF (2020). What is diabetes. International Diabetes Federation.

Javad, M. O. M., Agboola, S. O., Jethwani, K., Zeid, A., and Kamarthi, S. (2019). A Reinforcement Learning-Based Method for Management of Type 1 Diabetes: Exploratory Study. JMIR Diabetes.

Mainenti, G., Campanile, L., Marulli, F., Ricciardi, C., and Valente, A. S. (2020). Machine learning approaches for diabetes classication: Perspectives to articial intelligence methods updating. In 5th International Conference on Internet of Things, Big Data and Security (IoTBDS 2020), pages 533–540.

MGH (2020). Massachusetts General Hospital. Disponível em: https://www.massgeneral.org. Acessado em: 04/09/2020.

Ministério da Saúde (2006). Caderno de atenção básica. diabetes mellitus. n.16. série a. normas e manuais técnicos brasília.

Ministério da Saúde (2012). Departamento de Atenção Básica. Atenção ao Pré-Natal de Baixo Risco. Normas e Manuais Técnicos, Cadernos de Atenção Básica, n° 32. Brasília, DF.

Moulin, C. M., Portella, R. B., Pinheiro, V. S., Oliveira, M. M., Fuks, A. G., Cunha, E. F., and Gomes, M. B. (2003). Prevalência de sobrepeso e obesidade em pacientes com diabetes tipo 1. Arquivos Brasileiros de Endocrinologia & Metabologia, 47.

OPAS (2016). Organização Pan-Americana da Saúde. Ministério da Saúde. Federação Brasileira das Associações de Ginecologia e Obstetrícia. Sociedade Brasileira de Diabetes. Rastreamento e diagnóstico de diabetes mellitus gestacional no Brasil. Brasília.

Rodríguez-Rodríguez, I., Rodríguez, J.-V., Woo, W. L., Wei, B., and Pardo-Quiles, D.-J. (2021). A Comparison of Feature Selection and Forecasting Machine Learning Algorithms for Predicting Glycaemia in Type 1 Diabetes Mellitus. Applied Sciences, 11(4).

Sociedade Brasileira de Diabetes (2019). Diretrizes Brasileiras de Diabetes 2019-2020.

Taser, P. Y. (2021). Application of bagging and boosting approaches using decision tree based algorithms in diabetes risk prediction. Proceedings, 74(1).

UCI (2020). UC Irvine Machine Learning Repository . Disponível em: https://archive.ics.uci.edu/ml/datasets/Early+stage+diabetes+risk+prediction+dataset.

WHO (2019). International Statistical Classification of Diseases and Related Health Problems 10th Revision. World Health Organization.

WHO (2020a). Ficha T´ecnica Diabetes.World Health Organization. www.who.int/newsroom/fact-sheets/detail/diabetes, Acessado em: 25/03/2021.

WHO (2020b). Int. Statistical Classification of Diseases and Related Health Problems (ICD). https://www.who.int/standards/classifications/classification-of-diseases. Acessado em: 24/09/2020.