Uma rede social para registro e monitoramento de dados de saúde baseada em modelos de aprendizado de máquina e lógica fuzzy
Autor: Alice Tissot Garcia Pintanel (Currículo Lattes)
Resumo
Este estudo aborda o desenvolvimento de uma abordagem inteligente para apoio à decisão clínica voltada à classificação laboratorial e à estratificação de risco associadas ao Diabetes Mellitus Tipo 2. Diante do crescente impacto das doenças crônicas e das limitações dos métodos tradicionais baseados em limiares fixos, propõe-se a utilização de técnicas de aprendizado de máquina aliadas à lógica fuzzy, com o objetivo de lidar com as incertezas inerentes aos dados clínicos e fornecer resultados interpretáveis. A metodologia proposta está estruturada em três frentes principais. A primeira consiste na extração automática de informações relevantes a partir de exames laboratoriais em formato PDF, por meio de técnicas de aprendizado de máquina, demonstrando elevado desempenho em termos de precisão, recall e F1-score. A segunda envolve o desenvolvimento de um Sistema de Inferência Neuro-Fuzzy Adaptativo (ANFIS) baseado em TSK, organizado em dois níveis: um modelo de classificação laboratorial, fundamentado em dados de glicose e hemoglobina glicada, e um modelo de estratificação de risco, que incorpora variáveis adicionais como índice de massa corporal (IMC), sexo, raça e classificação clínica prévia. A terceira frente contempla o desenvolvimento de uma plataforma digital integradora, capaz de armazenar, processar e apresentar dados clínicos em formato de linha do tempo, promovendo a interação entre pacientes e profissionais de saúde. Os resultados obtidos demonstram que a abordagem proposta apresenta elevado desempenho na categorização de perfis glicêmicos, bem como resultados consistentes na estratificação de risco, mesmo em cenários com dados sintéticos e maior heterogeneidade. Destaca-se a capacidade do modelo fuzzy de representar o risco de forma contínua, proporcionando maior aderência à prática clínica. Além disso, a utilização de regras linguísticas garante interpretabilidade e transparência, características fundamentais em aplicações na área da saúde. Conclui-se que a metodologia desenvolvida é robusta, interpretável e adequada para integração em sistemas de apoio à decisão clínica, validando as hipóteses científicas e tecnológicas propostas. Como perspectivas futuras, destacam-se a aplicação da abordagem a outras patologias, a integração de mecanismos de alerta automático e a ampliação da plataforma para diferentes contextos clínicos.