Aprendizado de Máquina para Predição de Diagnósticos de Doenças Cardiovasculares
Resumo
Doenças Cardiovasculares (DCV) são adversidades que afetam o coração e vasos sanguíneos, sendo estimado em 2019 a causa de óbito de 17,9 milhões de pessoas. Devido a dados disponíveis em diversas formas, a análise de dados em informática médica ganhou importância, gerando interesse na geração de modelos analíticos orientados em Aprendizado de Máquina (ML). A predição de DCV é um desafio complexo na área de análise de dados clínicos, e a classificação com ML desempenharia um papel significativo na previsão de doenças cardíacas e investigação, para diminuir os impactos no coração e evitar uma morte prematura. O objetivo desse trabalho é treinar e avaliar modelos de aprendizado de máquina e aprendizado profundo para predição de diagnósticos de doenças cardiovasculares.Referências
Al-Absi, H. R. H., Refaee, M. A., Rehman, A. U., Islam, M. T., Belhaouari, S. B., and Alam, T. (2021). Risk factors and comorbidities associated to cardiovascular disease in qatar: A machine learning based case-control study. IEEE Access, 9:29929-29941.
Chollet, F. (2017). Deep Learning with Python. Manning.
Cui, S., Li, C., Chen, Z., Wang, J., and Yuan, J. (2020). Research on risk prediction of dyslipidemia in steel workers based on recurrent neural network and lstm neural network. IEEE Access, 8:34153-34161.
Ghosh, P., Azam, S., Jonkman, M., Karim, A., Shamrat, F. M. J. M., Ignatious, E., Shultana, S., Beeravolu, A. R., and De Boer, F. (2021). Efficient prediction of cardiovascular disease using machine learning algorithms with relief and lasso feature selection techniques. IEEE Access, 9:19304-19326.
Heart, A. H. A. (2021). What is cardiovascular disease? Disponivel em: [link]. Acesso em: 13 jun. 2021.
Li, B., Tang, X., Qi, X., Chen, Y., Li, C.-G., and Xiao, R. (2022). Effective multi-hot encoding and classifier for lightweight scene text recognition with a large character set. IEEE Transactions on Circuits and Systems for Video Technology, pages 1-1.
Mohan, S., Thirumalai, C., and Srivastava, G. (2019). Effective heart disease prediction using hybrid machine learning techniques. IEEE Access, 7:81542-81554.
PAHO, P. A. H. O. (2021). Doenças cardiovasculares. https://www.paho.org/pt/topicos/doencas-cardiovasculares. Acesso em: 13 jun. 2021.
Raschka, S. and Mirjalili, V. (2019). Python Machine Learning. Packt Publishing, Birmingham, UK, 3 edition.
Ravi, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., and Yang, G.-Z. (2017). Deep learning for health informatics. IEEE Journal of Biomedical and Health Informatics, 21(1):4-21.
Strodthoff, N., Wagner, P., Schaeffter, T., and Samek, W. (2020). Deep learning for ECG analysis: Benchmarks and insights from PTB-XL. CoRR, abs/2004.13701.
Wagner, P., Strodthoff, N., Bousseljot, R., Kreiseler, D., Lunze, F. I., Samek, W., and Schaeffter, T. (2020). Ptb-xl, a large publicly available electrocardiography dataset. Scientific Data, 7.
WHO, W. H. O. (2018). Technical package for cardiovascular disease management in primary health care: healthy-lifestyle counselling. Technical documents.
WHO, W. H. O. (2021). Cardiovascular diseases (cvds). Disponivel em: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds). Acesso em: 13 jun. 2021.
Smigiel, S., Paczynski, K., and Ledzinski, D. (2021). Ecg signal classification using deep learning techniques based on the ptb-xl dataset. Entropy, 23(9).
Chollet, F. (2017). Deep Learning with Python. Manning.
Cui, S., Li, C., Chen, Z., Wang, J., and Yuan, J. (2020). Research on risk prediction of dyslipidemia in steel workers based on recurrent neural network and lstm neural network. IEEE Access, 8:34153-34161.
Ghosh, P., Azam, S., Jonkman, M., Karim, A., Shamrat, F. M. J. M., Ignatious, E., Shultana, S., Beeravolu, A. R., and De Boer, F. (2021). Efficient prediction of cardiovascular disease using machine learning algorithms with relief and lasso feature selection techniques. IEEE Access, 9:19304-19326.
Heart, A. H. A. (2021). What is cardiovascular disease? Disponivel em: [link]. Acesso em: 13 jun. 2021.
Li, B., Tang, X., Qi, X., Chen, Y., Li, C.-G., and Xiao, R. (2022). Effective multi-hot encoding and classifier for lightweight scene text recognition with a large character set. IEEE Transactions on Circuits and Systems for Video Technology, pages 1-1.
Mohan, S., Thirumalai, C., and Srivastava, G. (2019). Effective heart disease prediction using hybrid machine learning techniques. IEEE Access, 7:81542-81554.
PAHO, P. A. H. O. (2021). Doenças cardiovasculares. https://www.paho.org/pt/topicos/doencas-cardiovasculares. Acesso em: 13 jun. 2021.
Raschka, S. and Mirjalili, V. (2019). Python Machine Learning. Packt Publishing, Birmingham, UK, 3 edition.
Ravi, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., and Yang, G.-Z. (2017). Deep learning for health informatics. IEEE Journal of Biomedical and Health Informatics, 21(1):4-21.
Strodthoff, N., Wagner, P., Schaeffter, T., and Samek, W. (2020). Deep learning for ECG analysis: Benchmarks and insights from PTB-XL. CoRR, abs/2004.13701.
Wagner, P., Strodthoff, N., Bousseljot, R., Kreiseler, D., Lunze, F. I., Samek, W., and Schaeffter, T. (2020). Ptb-xl, a large publicly available electrocardiography dataset. Scientific Data, 7.
WHO, W. H. O. (2018). Technical package for cardiovascular disease management in primary health care: healthy-lifestyle counselling. Technical documents.
WHO, W. H. O. (2021). Cardiovascular diseases (cvds). Disponivel em: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds). Acesso em: 13 jun. 2021.
Smigiel, S., Paczynski, K., and Ledzinski, D. (2021). Ecg signal classification using deep learning techniques based on the ptb-xl dataset. Entropy, 23(9).
Publicado
07/06/2022
Como Citar
SILVA FILHO, Francisco Romes da; COUTINHO, Emanuel F..
Aprendizado de Máquina para Predição de Diagnósticos de Doenças Cardiovasculares. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 22. , 2022, Teresina.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 358-369.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2022.222686.
