Aprendizado de máquina e seleção automática de atributos para identificação da doença de Chagas a partir de dados clínicos e sociodemográficos
DOI:
https://doi.org/10.33448/rsd-v10i4.13879Palavras-chave:
Aprendizado de máquina; Rede neural; Doença de Chagas.Resumo
Objetivo: avaliar o potencial de uso do aprendizado de máquina e da seleção automática de atributos na discriminação de indivíduos com e sem doença de Chagas a partir de dados clínicos e sociodemográficos. Método: Após a avaliação de diversos algoritmos de aprendizagem, eles foram escolhidos e foi feita a comparação entre a rede neural Multilayer Perceptron (MLP) e a Regressão Linear (LR), buscando qual apresentasse o melhor desempenho para predição do diagnóstico da doença de Chagas, sendo utilizados os critérios de sensibilidade, especificidade, acurácia e área sob a curva ROC (AUC). Os modelos gerados também foram comparados, utilizando os métodos de seleção automática de atributos: Forward Selection, Backward Elimination e algoritmo genético. Resultados: Os melhores resultados foram obtidos com o algoritmo genético e o MLP apresentou acurácia de 95,95%, sensibilidade de 78,30%, especificidade de 75,00% e AUC de 0,861. Conclusão: Mostrou-se um desempenho bastante interessante, dada a natureza dos dados utilizados para triagem e utilização em saúde coletiva, vislumbrando sua relevância na área médica, possibilitando uma aproximação de prevalências que justifiquem as ações de busca ativa de indivíduos Chagas pacientes com doenças para tratamento e prevenção.
Referências
Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems 2(4), 303–314.
Dao, S. D., Abhary, K. & Marian, K. (2017). An Innovative Framework for Designing Genetic Algorithm Structures. Expert Systems with Applications 90, 196-208.
DeLong, E. R., DeLong, D. M. & Clarke-Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics 44, 837–845.
Esfandiari, N., Babavalian, M. R., Moghadam, A. E., Tabar, V. K. (2014). Knowledge discovery in medicine: Current issue and future trend. Expert Systems with Applications 41, 4434-4463.
Faceli, K., Lorena, A. C., Gama, J. & Carvalho, A. C. P. L. F. (2015). Artificial intelligence: a machine learning approach. LTC, 1st edition. (Inteligência artificial: uma abordagem de aprendizado de máquina. LTC.
Forsyth, C. J., Granados, P. S., Pacheco, G. J., Betancourt, J. A., & Meymandi, S. K. Current gaps and needs to increase access to health care for people with Chagas disease in the USA, Curr Trop Med Rep. 2019; 6 (1): 13–22. (Lacunas e necessidades atuais para aumentar o acesso aos cuidados de saúde para pessoas com doença de Chagas nos EUA. Curr Trop Med Rep. 2019; 6 (1): 13–22).
Hornik, K., Stinchcombe, M. & White, H. (1989). Multilayer Feedforward Networks are Universal Approximators. Neural Networks 2(5), 359-366.
Gunter SM, Murray KO, Gorchakov R, Beddard R, Rossmann SN, Montgomery SP, et al. Probably autochthonous transmission of Trypanosoma cruzi to humans, south central Texas, USA. Emerg Infect Dis. 2017; 23 (3): 500–3. (Transmissão provavelmente autóctone de Trypanosoma cruzi para humanos, centro sul do Texas, EUA. Emerg Infect Dis. 23 (3): 500–3).
Guyon, I. & Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of machine learning research 3, 1157–1182.
Ishibuchi, H. & Nojima, Y. (2013). Repeated double cross-validation for choosing a single solution in evolutionary multi-objective fuzzy classifier design. Knowledge-Based Systems 54, 22-31.
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In: Appears in the international joint Conference on artificial intelligence 14, 1137–1145.
Kurt, I., Ture, M. & Kurum, A. T. (2008). Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease. Expert Systems with Applications 34, 366-374.
Levy, D. S., Cristovão, P. W. & Gabbi, S. (2003). Dynamic swallowing study protocol by videofluoroscopy. (Protocolo do estudo dinâmico da deglutição por videofluoroscopia). In: Jacobi JS, Levy DS, Silva LMC. Dysphagia: evaluation and treatment (Disfagia: avaliação e tratamento). 134-52.
Martínez-Torres, M. R. (2013). Application of evolutionary computation techniques for the identification of innovators in open innovation communities. Expert Systems with Applications 40, 2503-2510.
Mazza. S. (2011). Consensus on Chagas-Mazza Disease. Argentine Journal of Cardiology 79 (6). (Consenso de Enfermedad de Chagas-Mazza. Revista Argentina de Cardiología 79(6).
Moncayo Á, Silveira AC. Atual epidemiological trends of Chagas disease in Latin America and future challenges: Epidemiology, surveillance and health policies. Doença de Chagas gives American trypanosomia: Elsevier; 2017. p. 59–88. (Tendências epidemiológicas atuais da doença de Chagas na América Latina e desafios futuros: Epidemiologia, vigilância e políticas de saúde. Doença de Chagas da tripanossomíase americana: Elsevier; 2017. p. 59–88).
Mitchell, T. M. (1997). Machine Learning, ed. McGraw Hill.
Neto, J. S., Carvalho, J. L. A., Rocha, A. F., Junior, L. F. J. & Nascimento, F. A. O. (2013). Support system for the diagnosis of Chagas disease based on scales and self-organizing neural networks. Brazilian Journal of Biomedical Engineering 29 (3), 242-253. (Sistema de apoio ao diagnóstico da Doença de Chagas baseado em escalogramas e redes neurais auto-organizáveis. Revista Brasileira de Engenharia Biomédica 29(3), 242-253).
Shoostari, S. J. & Gholamalifard, M. (2015). Scenario-based land cover change modeling and its implications for landscape pattern analysis in the Neka Watershed, Iran. Remote Sensing Applications: Society and Environment 1, 1-19.
Silva, R.G. (2004). Oropharyngeal dysphagia after stroke. (Disfagia orofaríngea pós-acidente vascular encefálico). In: Ferreira LP, Befi-Lopes DM, Limongi SCO. Speech therapy treaty 2, 354-356. (Tratado de fonoaudiologia 2, 354-356).
Silva, R. A., Rodrigues, V. L. C. C., Junior, W. A. P. & Pauliquevis Junior, C. (2003). Chagas Disease Control Program (PCDCh): Compliance with triatomine notifications without a fixed term in the Administrative Region of Araçatuba, State of São Paulo, Brazil. Baiana Magazine of Public Health 27 (2): 253-262. (Programa de Controle da Doença de Chagas (PCDCh): Atendimento as notificações triatomínicas sem prazo determinado na Região Administrativa de Araçatuba, Estado de São Paulo, Brasil. Revista Baiana de Saúde Pública 27(2): 253-262).
Spatti, Danilo Hernane, Ivan Nunes da Silva and Rog´erio Andrade Flauzino. Artificial Neural Networks for Engineering and Applied Sciences. Theoretical Foundations and Practical Aspects. Artliber, São Paulo, SP, 2nd. edition, 2016. (Redes Neurais Artificiais Para Engenharia e Ciências Aplicadas. Fundamentos Teóricos e Aspectos Práticos. Artliber, São Paulo, SP, 2nd. edition, 2016).
Tang, T. & Chi, L. (2005). Predicting multilateral trade credit risks: comparisons of Logit and Fuzzy Logic models using ROC curve analysis. Expert Systems with Applications 28, 547-556.
Teles, W. S., Silva, M. H. S., Santana, K. W. C., Madi, R. R., Jeraldo, V. L. S. & Melo, C. M. (2014). Infantile chagas disease in a rural area in northeastern Brazil: risk of transmission and social reflections. Interfaces Scientific Magazine – Humans and Socials 3 (1), 9–18. (Doença de chagas infantil em área rural do nordeste brasileiro: risco de transmissão e reflexões sociais. Revista Interfaces Científicas - Humanas e Sociais 3(1), 9–18).
Traore, B. B., Kamsu-Foguem, B., Tangara, F. (2016). Data mining techniques on satellite images for discovery of risk areas. Expert Systems With Applications 72, 443-456.
Upadhyaya, S., Farahmand, K. & Baker-Demaray, T. (2013). Comparison of NN and LR classifiers in the context of screening native American elders with diabetes. Expert Systems with Applications 40, 5830-5838.
World Health Organization – WHO. (2020). Chagas disease (American trypanosomiasis). http://www.who.int/chagas/epidemiology/en/.
Yang, L., Liu, S., Tsoka, S., Papageorgiou, L. G. (2016). Mathematical programming for piecewise linear regression analysis. Expert Systems with Applications 44, 156-167.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Weber de Santana Teles; Aydano Pamponet Machado; Paulo Celso Curvelo Cantos Júnior; Cláudia Moura de Melo; Maria Hozana Santos Silva; Rute Nascimento da Silva; Veronica de Lourdes Sierpe Jeraldo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
