Dados do Trabalho

Título

AVALIAÇAO DE MODELOS DE MACHINE LEARNING PARA ANALISE PREDITIVA DE SARCOPENIA EM IDOSOS

Objetivo

Utilizar algoritmos de Aprendizado de Máquina como modelo preditivo para sarcopenia em idosos.

Materiais e Métodos

Um estudo exploratório quantitativo foi conduzido, utilizando dados do repositório Figshare com a palavra-chave "sarcopenia" e o filtro "dataset". Algoritmos como K-Vizinhos mais próximos (KNN), Naive-Bayes, Máquina de vetor de suporte e Árvore de Decisão foram aplicados usando o software WEKA. A avaliação envolveu métricas como acurácia, precisão, recall e área sob a curva ROC (AUC ROC). Um banco de dados específico, "A simpler screening tool for sarcopenia in surgical patients", foi escolhido manualmente, contendo informações relevantes sobre sarcopenia. Este banco de dados foi originado de um estudo prospectivo longitudinal conduzido por Chaiwat e colaboradores (2021) no Hospital de Medicina Siriraj, Tailândia. Os algoritmos foram treinados usando a técnica de reamostragem de validação cruzada k-fold em um cenário de aprendizado de máquina supervisionado.

Resultados

O algoritmo de árvore de decisão apresentou melhores desempenhos em todas as métricas de avaliação, acurácia de 0,9721, recall de 0,9726 e precisão de 0,9680,o que o torna bastante promissor em pesquisas posteriores.

Conclusão

Apesar da variabilidade nos diagnósticos de sarcopenia, IMC e massa muscular podem agir como fatores protetores, com valores acima de 27 e 7,5 Kg/m², respectivamente, associados à ausência da condição. O algoritmo de Árvore de Decisão foi identificado como o mais promissor para futuras análises. No entanto, são necessárias pesquisas adicionais para otimizar os algoritmos neste contexto.

Relevância Clínica

Os locais de saúde frequentemente enfrentam restrições burocráticas e recursos limitados para lidar com diversas demandas diárias. Para otimizar o atendimento à comunidade local, é crucial economizar recursos, tempo e dinheiro. Modelos preditivos baseados em Machine Learning oferecem um potencial significativo nesse contexto. São ferramentas de custo-benefício favorável e podem ser úteis no gerenciamento eficaz do paciente.