Trabalho de Conclusão de Curso

Tecnologia aplicada a saúde: uso de Inteligência Artificial na predição de Diabetes para adultos

This study aims to evaluate the use of machine learning (ML) techniques in predicting diabetes mellitus, using a clinical dataset with variables such as age, blood pressure, and glucose levels. The performance of Random Forest, Logistic Regression, K Nearest Neighbors (KNN), and Decision Tree m...

ver descrição completa

Autor principal: Santos, Dionara Pereira dos
Grau: Trabalho de Conclusão de Curso
Idioma: por
Publicado em: Brasil 2025
Assuntos:
Aprendizado de máquina
Diabetes mellitus
Random Forest
Predição
Inteligência Artificial
ENGENHARIAS
CIENCIAS EXATAS E DA TERRA
.
.
Acesso em linha: http://riu.ufam.edu.br/handle/prefix/8426
id oai:localhost:prefix-8426
recordtype dspace
spelling oai:localhost:prefix-84262025-03-10T21:25:54Z Tecnologia aplicada a saúde: uso de Inteligência Artificial na predição de Diabetes para adultos Santos, Dionara Pereira dos Rodrigues, Hidelbrando Ferreira http://lattes.cnpq.br/3660640094137212 Silva, Vandermi João da Freitas, Carlos Alberto Oliveira de https://orcid.org/0000-0003-1266-0957 NUPEC - Núcleo de Pesquisa em Ciências de Dados e Otimização hrodrigues@ufam.edu.br Aprendizado de máquina Diabetes mellitus Random Forest Predição Inteligência Artificial ENGENHARIAS CIENCIAS EXATAS E DA TERRA . . This study aims to evaluate the use of machine learning (ML) techniques in predicting diabetes mellitus, using a clinical dataset with variables such as age, blood pressure, and glucose levels. The performance of Random Forest, Logistic Regression, K Nearest Neighbors (KNN), and Decision Tree models was compared to identify the most effective for disease prediction. The analyses were performed using Python and R, which offer powerful tools for data modeling.The results showed that Random Forest had the best performance, followed by Logistic Regression and KNN. When compared to previous studies, the findings reinforce the effectiveness of machine learning in healthcare. The study also discusses the limitations of the models and suggests using biomarkers and temporal data to improve predictions. Este trabalho tem como objetivo avaliar o uso de técnicas de aprendizado de máquina (ML) na predição da diabetes, utilizando um conjunto de dados clínicos com variáveis como idade, pressão arterial e níveis de glicose. Foram comparados os desempenhos dos modelos Random Forest, Regressão Logística, K-Nearest Neighbors (KNN) e Árvore de Decisão, visando identificar o mais eficaz para prever a doença. As análises foram realizadas com as linguagens R, que oferece poderosas ferramentas para modelagem de dados. Os resultados mostraram que o Random Forest apresentou o melhor desempenho, seguido pela Regressão Logística e KNN. Comparado a estudos anteriores, os achados reforçam a eficácia do aprendizado de máquina na área da saúde. O trabalho também discute as limitações dos modelos e sugere o uso de biomarcadores e dados temporais para aprimorar as previsões. 5 Sim Algumas informações poderiam ser automáticas da ufam. 2025-01-08T18:39:25Z 2025-01-08T18:39:25Z 2024-12-11 Trabalho de Conclusão de Curso http://riu.ufam.edu.br/handle/prefix/8426 por Acesso Aberto https://creativecommons.org/licenses/by-nc-nd/4.0/ Brasil ICET - Instituto de Ciências Exatas e Tecnologia (Itacoatiara) Itacoatiara (AM) Engenharia de Produção - Bacharelado - Itacoatiara
institution Repositório Institucional - Universidade Federal do Amazonas
collection RI-UFAM
language por
topic Aprendizado de máquina
Diabetes mellitus
Random Forest
Predição
Inteligência Artificial
ENGENHARIAS
CIENCIAS EXATAS E DA TERRA
.
.
spellingShingle Aprendizado de máquina
Diabetes mellitus
Random Forest
Predição
Inteligência Artificial
ENGENHARIAS
CIENCIAS EXATAS E DA TERRA
.
.
Santos, Dionara Pereira dos
Tecnologia aplicada a saúde: uso de Inteligência Artificial na predição de Diabetes para adultos
topic_facet Aprendizado de máquina
Diabetes mellitus
Random Forest
Predição
Inteligência Artificial
ENGENHARIAS
CIENCIAS EXATAS E DA TERRA
.
.
description This study aims to evaluate the use of machine learning (ML) techniques in predicting diabetes mellitus, using a clinical dataset with variables such as age, blood pressure, and glucose levels. The performance of Random Forest, Logistic Regression, K Nearest Neighbors (KNN), and Decision Tree models was compared to identify the most effective for disease prediction. The analyses were performed using Python and R, which offer powerful tools for data modeling.The results showed that Random Forest had the best performance, followed by Logistic Regression and KNN. When compared to previous studies, the findings reinforce the effectiveness of machine learning in healthcare. The study also discusses the limitations of the models and suggests using biomarkers and temporal data to improve predictions.
author_additional Rodrigues, Hidelbrando Ferreira
author_additionalStr Rodrigues, Hidelbrando Ferreira
format Trabalho de Conclusão de Curso
author Santos, Dionara Pereira dos
title Tecnologia aplicada a saúde: uso de Inteligência Artificial na predição de Diabetes para adultos
title_short Tecnologia aplicada a saúde: uso de Inteligência Artificial na predição de Diabetes para adultos
title_full Tecnologia aplicada a saúde: uso de Inteligência Artificial na predição de Diabetes para adultos
title_fullStr Tecnologia aplicada a saúde: uso de Inteligência Artificial na predição de Diabetes para adultos
title_full_unstemmed Tecnologia aplicada a saúde: uso de Inteligência Artificial na predição de Diabetes para adultos
title_sort tecnologia aplicada a saúde: uso de inteligência artificial na predição de diabetes para adultos
publisher Brasil
publishDate 2025
url http://riu.ufam.edu.br/handle/prefix/8426
_version_ 1831970212081041408
score 11.755432

Registros relacionados