Dissertao_Verso-Final_-_Com_Ficha_e_Folha_de_aprovao.pdf
Documento PDF (1.9MB)

Exibir conteúdo Baixar

                    UNIVERSIDADE FEDERAL DE ALAGOAS-UFAL
INSTITUTO DE COMPUTAÇÃO / IC
PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA

WELLIGNTON BATISTA DA SILVA

RECOMENDAÇÃO DE UM MODELO DE APRENDIZADO DE MÁQUINA PARA
PREDIÇÃO DE RISCO CARDIOVASCULAR COM BIOMARCADORES DA
SÍNDROME METABÓLICA E ESCORE DE FRAMINGHAM

MACEIÓ
2023

Wellignton Batista da Silva

RECOMENDAÇÃO DE UM MODELO DE APRENDIZADO DE MÁQUINA PARA
PREDIÇÃO DE RISCO CARDIOVASCULAR COM BIOMARCADORES DA SÍNDROME
METABÓLICA E ESCORE DE FRAMINGHAM
Dissertação apresentada como requisito parcial
para obtenção do grau de Mestre em Programa de
Pós-Graduação em Informática da Universidade
Federal de Alagoas - UFAL, INSTITUTO DE
COMPUTAÇÃO / IC .
Orientador: Prof. Dr. RAFAEL DE AMORIM
SILVA

Maceió
2023

Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecária: Helena Cristina Pimentel do Vale CRB4 - 661
S586r

Silva, Wellignton Batista da.
Recomendação de um modelo de aprendizado de máquina parapredição de risco
cardiovascular com biomarcadores da síndrome metabólica e escore de framingham
/ Wellignton Batista. – 2023.
135 f. : il.
Orientador: Rafael de Amorim Silva.
Dissertação(mestrado em Informática) – Universidade Federal de Alagoas,
Instituto de Computação. Maceió, 2023.
Bibliografia: f. 92-102.
Apêndices: f. 103-135.
1. Aprendizado de máquina. 2. Modelo de predição. 3. Síndrome metabólica.
5. Escore de risco global (ERG) de framingham. I. Título.

CDU: 004.78:61

AGRADECIMENTOS
Gostaria de expressar minha imensa gratidão à Nossa Senhora Virgem dos Pobres por sua
presença constante e por trazer paz à minha mente durante os momentos difíceis enfrentados ao
longo deste trabalho e em outras áreas da minha vida. Também quero expressar minha profunda
gratidão ao Nosso Senhor Jesus Cristo, cujos ensinamentos sobre a simplicidade de viver têm
sido uma fonte constante de inspiração para mim.
Gostaria de estender meus mais sinceros agradecimentos ao Prof. Dr. Rafael Amorim,
meu orientador, que, com sua sabedoria, soube me guiar e acreditar que, com dedicação, seria
possível concluir esta tarefa. Também desejo expressar minha gratidão ao coorientador, o Prof.
Dr. Bruno Almeida, pelo seu valioso apoio e contribuição. Além disso, reconheço a importância
de outras pessoas nesse processo, como o Prof. Dr. Alan Pedro e o Prof. Dr. Fernando Pimentel,
que foram meus primeiros orientadores e contribuíram para o início dessa jornada. Sou grato
também a todos os professores que conduziram suas aulas de maneira magnífica e aos avaliadores
da qualificação, que contribuíram para o desenvolvimento acadêmico e relevante da dissertação.
Por último, mas não menos importante, quero expressar minha profunda gratidão à minha
maravilhosa família e aos meus amigos. Peço desculpas pelos momentos em que estive ausente,
dedicando-me à pesquisa e aos experimentos. Seu apoio incondicional e compreensão foram
fundamentais para o meu progresso e sucesso nessa empreitada.
Mais uma vez, expresso minha gratidão a todos que contribuíram para minha jornada
acadêmica e pessoal. Sou verdadeiramente abençoado por ter tido o apoio e a orientação de
pessoas tão maravilhosas ao longo desse caminho.

RESUMO
A previsão de eventos cardiovasculares em pacientes diagnosticados com Síndrome Metabólica
(SM) é um tema de grande relevância para a área da Saúde, em geral, e fundamental para a
da Endocrinologia. Esta dissertação objetiva recomendar um modelo de Machine Learning
(ML) para estimar os riscos de eventos cardiovasculares em pacientes com SM, explorando
os marcadores do escore de Framingham (FRS) e da SM. Metodologicamente, utilizamos um
modelo de regressão logística e análises com árvore de decisão, floresta aleatória, impulsionamento de gradiente, máquina de vetores de suporte e k-vizinhos mais próximos para testar nossa
hipótese central de que os bioindicadores (variáveis relacionadas à SM) exercem um impacto
positivo, forte e significativo nos eventos cardiovasculares em pacientes com SM. Tecnicamente a
pesquisa foi conduzida por meio de experimentos realizados em diferentes cenários. No primeiro
cenário, um algoritmo foi desenvolvido para avaliar o risco cardiovascular em pacientes com
e sem SM. Nos cenários 2, 3 e 4, foram analisados pacientes com e sem SM, considerando
os marcadores de SM e FRS como variáveis dependentes, enquanto a condição de Síndrome
Metabólica foi adotada como variável independente. No quinto cenário, uma análise foi realizada
para selecionar o modelo de regressão e classificação mais adequado para a predição do risco
cardiovascular em um conjunto de dados combinado de doenças cardíacas. No sexto cenário,
o modelo desenvolvido foi fundamentado no Escore de Risco Global (ERG) de Framingham,
incorporando os marcadores da SM nos experimentos. Os dados foram obtidos a partir do repositório do National Center for Health Statistics (NHANES), um conjunto de dados combinados de
doenças cardíacas do Repositório de aprendizado de máquina UCI. e da plataforma Kaggle. Em
resumo, os principais achados desta dissertação são os seguintes: (1) No primeiro cenário, uma
diferença percentual de 81,74% foi observada nas médias de Risco ECV entre as populações
com e sem Síndrome Metabólica, evidenciando um aumento significativo do risco cardiovascular
na população com SM; (2) nos cenários dois, três e quatro, o modelo Random Forest (RF) se
destacou, alcançando alta acurácia em todas as combinações de variáveis, especialmente na
combinação dos marcadores da SM com o marcador de sexo; (3) no quinto cenário, o modelo RF
foi identificado como o mais indicado, destacando a importância das variáveis relacionadas à SM
na predição do risco cardiovascular e ressaltando a necessidade de aprimoramentos nos modelos
para melhor identificação dos casos positivos; (4) tanto o modelo com quatro marcadores da
SM quanto o modelo com cinco marcadores da SM combinados ao escore de Framingham
(SM + FRS) apresentaram desempenho considerável, com correlações e acurácias significativas
(0.80 e 0.84, respectivamente). Essas combinações mais simples de variáveis podem ser uma
abordagem interessante, uma vez que fornecem informações relevantes para a predição do risco
cardiovascular de forma menos invasiva, evitando a necessidade de exames mais complexos.
Palavras-chave: Aprendizado de Máquina; Modelo de Predição; Síndrome Metabólica; Risco
Vascular; Escore de Risco Global (ERG) de Framingham.

ABSTRACT
The prediction of cardiovascular events in patients diagnosed with Metabolic Syndrome (MS)
is a topic of great importance in the field of Health in general and crucial for Endocrinology.
This dissertation aims to recommend a Machine Learning (ML) model to estimate the risks of
cardiovascular events in patients with MS, exploring the markers of the Framingham Risk Score
(FRS) and MS. Methodologically, we used a logistic regression model and conducted analyses
with decision trees, random forest, gradient boosting, support vector machine, and k-nearest
neighbors to test our central hypothesis that bioindicators (variables related to MS) exert a
positive, strong, and significant impact on cardiovascular events in MS patients. Technically,
the research was carried out through experiments conducted in different scenarios. In the first
scenario, an algorithm was developed to assess cardiovascular risk in patients with and without
MS. In scenarios 2, 3, and 4, patients with and without MS were analyzed, considering MS and
FRS markers as dependent variables, while the Metabolic Syndrome condition was adopted as an
independent variable. In the fifth scenario, an analysis was performed to select the most suitable
regression and classification model for predicting cardiovascular risk in a combined dataset of
heart diseases. In the sixth scenario, the developed model was based on the Framingham Global
Risk Score (FRS), incorporating MS markers into the experiments. Data were obtained from
the National Center for Health Statistics (NHANES) repository, a combined dataset of heart
diseases from the UCI Machine Learning Repository, and the Kaggle platform. In summary, the
main findings of this dissertation are as follows: In the first scenario, a percentage difference
of 81.74% was observed in mean CVD Risk between populations with and without Metabolic
Syndrome, demonstrating a significant increase in cardiovascular risk in the population with
MS. In scenarios two, three, and four, the Random Forest (RF) model excelled, achieving
high accuracy in all variable combinations, especially in the combination of MS markers with
gender. In the fifth scenario, the RF model was identified as the most suitable, emphasizing the
importance of variables related to MS in predicting cardiovascular risk and highlighting the
need for model improvements to better identify positive cases. Both the model with four MS
markers and the model with five MS markers combined with the Framingham Risk Score (SM +
FRS) demonstrated considerable performance, with significant correlations and accuracies (0.80
and 0.84, respectively). These simpler variable combinations can be an interesting approach as
they provide relevant information for predicting cardiovascular risk in a less invasive manner,
avoiding the need for more complex tests.
Keywords: Machine Learning; Cardiovascular Event Prediction; Metabolic Syndrome; Framingham Global Risk Score (GRS).

LISTA DE FIGURAS
Figura 1 – Revisão Sistemática da Literatura . . . . . . . . . . . . . . . . . . . . . . . 31
Figura 2 – Fluxograma aplicado para recomendação do modelo . . . . . . . . . . . . . 36
Figura 3 – DataFrames dos Modelos de SM e RFS . . . . . . . . . . . . . . . . . . . . 50
Figura 4 – Matriz de Correlação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Figura 5 – Matriz de Correlação DataSet: Cleveland, Hungria, Suíça e VA Long Beach 55
Figura 6 – Quantidade por categoria da população geral do Dataset com risco Alto,
Moderado e Baixo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Figura 7 – Quantidade por categoria da população sem SM do Dataset com risco Alto,
Moderado e Baixo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Figura 8 – Quantidade por categoria da população com SM do Dataset com risco Alto,
Moderado e Baixo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Figura 9 – Distribuição das Categorias nas Populações . . . . . . . . . . . . . . . . . 62
Figura 10 – Desempenho dos Modelos de Regressão Utilizando Marcadores de Framingham 65
Figura 11 – Gráfico de Importância das Características de Regressão Utilizando Marcadores de Framingha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Figura 12 – Desempenho dos Modelos de Classificação Utilizando Marcadores de Framingham . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Figura 13 – Gráfico de Importância das Características de Classificação Utilizando Marcadores de Framingha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Figura 14 – Curva ROC do Modelo RF (Floresta Aleatória) com Marcadores de Framingham 70
Figura 15 – Matriz de Confusão do Modelo RF (Floresta Aleatória) Utilizando Marcadores de Framingham . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Figura 16 – Desempenho dos Modelos de Regressão Utilizando Marcadores da SM . . . 73
Figura 17 – Gráfico de Importância das Características de Regressão Utilizando Marcadores de Framingha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Figura 18 – Desempenho dos Modelos de Classificação Utilizando Marcadores da SM . 75
Figura 19 – Gráfico de Importância das Características de Classificação Utilizando Marcadores da SM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Figura 20 – Curva ROC do Modelo RF (Floresta Aleatória) com Marcadores da SM . . 77
Figura 21 – Matriz de Confusão do Modelo RF (Floresta Aleatória) Utilizando Marcadores da SM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Figura 22 – Curva ROC do Modelo RF com Marcadores da SM e do FRS . . . . . . . . 86
Figura 23 – Matriz de Confusão do Modelo RF Utilizando Marcadores da SM e do RFS 87
Figura 24 – Mapa de Calor - Correlação entre as Variáveis . . . . . . . . . . . . . . . . 89
Figura 25 – Gráfico de Importância das Características de Classificação Utilizando Todos
os Marcadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Figura 26 – Curva ROC do Modelo RF com Marcadores da SM e do FRS . . . . . . . . 91
Figura 27 – Matriz de Confusão do Modelo RF Utilizando Marcadores da SM e do FRS 92

Figura 28 – Gráfico de Importância das Características de Classificação Utilizando Marcadores da SM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 29 – Matriz de Confusão do Modelo RF Utilizando Marcadores da SM e do FRS

93
94

LISTA DE TABELAS
Tabela 1 – Marcadores Clínicos do Dataset mswithinsulin2 . . . . . . . . . . . . . . .
Tabela 2 – Marcadores Clínicos do Dataset Cleveland, Hungria, Suíça e VA Long Beach
Tabela 3 – Marcadores Clínicos do Dataset Framingham . . . . . . . . . . . . . . . .
Tabela 4 – Marcadores de Framingham . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 5 – Critérios Diagnósticos para a SM segundo o (NCEP-ATP III) . . . . . . . .
Tabela 6 – Resultados dos modelos de regressão . . . . . . . . . . . . . . . . . . . . .
Tabela 7 – Resultados dos modelos de regressão . . . . . . . . . . . . . . . . . . . . .
Tabela 8 – Desempenho dos modelos de regressão para Síndrome Metabólica e Risco
Cardiovascular - Parte 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 9 – Desempenho dos modelos de regressão para Síndrome Metabólica e Risco
Cardiovascular - Parte 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 10 – Desempenho dos modelos de classificação para Síndrome Metabólica e Risco
Cardiovascular - Parte 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 11 – Desempenho dos modelos de classificação para Síndrome Metabólica e Risco
Cardiovascular - Parte 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 12 – Seleção do Melhor Modelo de Regressão para Risco Cardiovascular em
Dados Combinados de Doenças Cardíacas . . . . . . . . . . . . . . . . . .
Tabela 13 – Seleção do Melhor Modelo de Classificação para Risco Cardiovascular em
Dados Combinados de Doenças Cardíacas . . . . . . . . . . . . . . . . . .
Tabela 14 – Resultados dos modelos de regressão . . . . . . . . . . . . . . . . . . . . .
Tabela 15 – Melhor Modelo de Classificação para Risco Cardiovascular no conjunto de
dados de Framingham . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39
40
41
51
52
67
74
81
81
82
82
85
85
89
91

LISTA DE ABREVIATURAS E SIGLAS
AHA

- American Heart Association

ADASYN

- Adaptative Synthetic Sampling Approach for Imbalanced Datasets (Enfoque de muestreo sintético adaptativo

ARPA

- Agência de Pesquisa de Projetos Avançados

AUC

- área sob a curva ROC

AVC:

- Acidente Vascular Cerebral

ALT

- Alanina Aminotransferase

AST

- Aspartato Aminotransferase

AUC

- Área sob a Curva

CPK

- Creatina Quinase

CRM

- Conselho Regional de Medicina

CHD

- Doença Coronariana Futura

DAC

- Doença Arterial Coronariana

DCV

- Doenças Cardiovasculares

DT

- Árvore de Decisão - )Decision Tree)

DTC

- Decision Tree Classification

DTR

- Decision Tree Regressor

DM

- Diabetes Mellitus

EHR

- Registro Eletrônico de Saúde (Electronic Health Record)

ECG

- Eletrocardiograma

FPR

- Falsos Positivos

FRS

- Framingham Heart Failure Risk Score

FSCNCA

- Feature selection using neighborhood component analysis (Selección de
características mediante el análisis de componentes de vecindad)

GGT

- Gama-Glutamiltransferase

HDL

- Lipoproteína de alta densidade (do inglês High-Density Lipoprotein)

HOMA-IR

- Avaliação do Modelo Homeostático de Resistência à Insulina (Homeostatic
Model Assessment of Insulin Resistance)

IA

- Inteligência Artificial

IMC

- Índice de Massa Corporal

KNN - (K-Nearest Neighbors):
LR

K-Vizinhos-Mais-Próximos

- Regressão Linear (Linear Regression)

Logistic Regression

- Regressão Logística

MAE

- Mean Absolute Error

ML

- Machine Learning (Aprendizado de Máquina)

MLAs

- Algoritmos de Aprendizado de Máquina em Conjunto

MSE

- Mean Squared Error

Marcadores SM

- Marcadores da Síndrome Metabólica

Marcadores SM + Sexo

- Marcadores da Síndrome Metabólica combinados com o Sexo

Marcadores SM + Idade

- Marcadores da Síndrome Metabólica combinados com a Idade

Marcadores SM + Obesidade
Obesidade

- Marcadores da Síndrome Metabólica combinados com a

Marcadores SM + FRS - Marcadores da Síndrome Metabólica combinados com o escore
de Framingham
Marcadores FRS

- Marcadores do escore de Framingham

Marcadores FRS + Obesidade
a Obesidade

- Marcadores do escore de Framingham combinados com

Marcadores FRS + SM + Obesidade - Marcadores do escore de Framingham combinados
com os marcadores da Síndrome Metabólica e a Obesidade
MS - Metabolic Syndrome

- (SM - Síndrome Metabólica)

oldpeak

- Depressão do segmento ST induzida pelo exercício

NHANES

- Pesquisa Nacional de Avaliação de Saúde e Nutrição (National Health and
Nutritional Evaluation Survey)

NHLBI

- National Heart, Lung, and Blood Institute

NCEP-ATP III

- National Cholesterol Education Program’s Adult Treatment Panel III

OMS

- Organização Mundial da Saúde

RQE

- Registro de Qualificação de Especialista

RF

- Floresta Aleatória (Random Forest)

RC

- Risco Cardiovascular

RSL

- Revisão Sistemática da Literatura

RMSE

- Root Mean Squared Error

SVR

- Regressão de Vetor de Suporte (Support Vector Regression)

TPR

- Verdadeiros Positivos

SUMÁRIO
1

INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

2

JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

3

FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . .

19

3.1

SM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

3.2

RDC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

3.3

Inteligência Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

3.3.1

Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

4

RELATO DO PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . .

27

4.1

Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . .

29

4.1.1

Revisão Bibliográfica e Revisão Sistemática da Literatura . . . . . . . . . .

30

4.1.1.1

Estudos Selecionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

5

PROPOSTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

5.1

Fundamentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

5.2

Hipótese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36

5.3

Relevância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37

6

METODOLOGIA DE EXPERIMENTO . . . . . . . . . . . . . . . . . .

38

6.1

Métodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

6.2

Abordagem para o Desenvolvimento e Seleção do Modelo Recomendado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

6.2.1

Ambiente de Implementação e Ferramentas Utilizadas: . . . . . . . . . . . .

43

6.3

Experimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

6.3.1

Cenários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

6.3.2

Cenário 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

49

6.3.3

Cenário 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

6.3.4

Cenário 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

6.3.5

Cenário 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

52

6.3.6

Cenário 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

6.3.7

Cenário 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

56

7

ANÁLISE DOS RESULTADOS DOS MODELOS DE REGRESSÃO E

7.1

CLASSIFICAÇÃO NA PREDIÇÃO DE RDC ASSOCIADO A SM . . .

58

Cenários: Resultados dos Experimentos . . . . . . . . . . . . . . . .

59

7.2

Análise e Resultados do Cenário 1: Estatísticas Descritivas do
RDC na População Geral e nas Subpopulações com e sem SM . .

59

7.2.1

Apresentação e Análise dos Resultados Obtidos . . . . . . . . . . . . . . .

60

7.2.2

Resultados e Avaliação do Cenário 1: Estatísticas Descritivas do RDC nas
Populações Geral, sem SM e com SM . . . . . . . . . . . . . . . . . . . . .

7.3

62

Análise e Resultados do Cenário 2: Seleção do Melhor Modelo de
ML utilizando os marcadores do FRS . . . . . . . . . . . . . . . . .

63

7.3.1

Introdução e Contextualização do Cenário de Resultados Obtidos . . . . . .

63

7.3.1.1

Seleção do Melhor Modelo de Regressão . . . . . . . . . . . . . . . . . . .

64

7.3.1.2

Seleção do Melhor Modelo de Classificação . . . . . . . . . . . . . . . . .

67

7.3.2

Resultados e Avaliação dos Modelos de Regressão e Classificação no Cenário
2: Predição da SM utilizando o RFS . . . . . . . . . . . . . . . . . . . . . .

7.4

72

Análise e Resultados do Cenário 3: Seleção do Melhor Modelo de
ML utilizando os marcadores da SM . . . . . . . . . . . . . . . . . .

72

7.4.1

Seleção do Melhor Modelo de Regressão . . . . . . . . . . . . . . . . . . .

72

7.4.2

Seleção do Melhor Modelo de Classificação . . . . . . . . . . . . . . . . .

75

7.5

Análise e Resultados do Cenário 4: Comparação e Avaliação dos
Modelos de Regressão e Classificação nos Cenários 2 e 3: Escolha
do Melhor Modelo para a SM e RDC . . . . . . . . . . . . . . . . . .

7.5.1

Resultados e Avaliação dos Modelos de Regressão e Classificação no Cenário
4: Predição da SM e RDC . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.5.2

82

Escolha do Melhor Modelo de Regressão e Classificação do RDC
associado a SMa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.7

81

Apresentação e Análise dos Resultados dos Modelos de Classificação Treinados e Testados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.6

79

Apresentação e Análise dos Resultados dos Modelos de Regressão Treinados
e Testados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.5.3

78

83

Análise e Resultados do Cenário 5: Seleção do Melhor Modelo de
ML usando marcadores da SM e o FRS . . . . . . . . . . . . . . . .

84

7.7.1

Seleção do Melhor Modelo de Regressão . . . . . . . . . . . . . . . . . . .

84

7.8

Análise e Resultados do Cenário 6: Seleção do Melhor Modelo de
ML usando marcadores da SM e FRS com o Dataset framingham.csv 88

8

CONSIDERAÇÕES FINAIS . . . . . . . . . . . . . . . . . . . . . . . .

96

8.1

Limitações Encontradas . . . . . . . . . . . . . . . . . . . . . . . . . .

97

8.2

Recomendações para Trabalhos Futuros . . . . . . . . . . . . . . . .

97

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

99

APÊNDICE A – ALGORITMO E MODELOS: CÓDIGO E ESTRUTURAS . . . 103
A.1

Experimentos no Cenário 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 103

A.2

Código: Experimentos no Cenário 2 - Regressão . . . . . . . . . . . . . . . 113

A.3

Código: Experimentos no Cenário 2 - Classificação . . . . . . . . . . . . . 119

A.4

Código: Experimentos no Cenário 5 - Regressão . . . . . . . . . . . . . . . 124

A.5

Código: Experimentos no Cenário 5 - Classificação . . . . . . . . . . . . . 128

A.6

Código: Experimentos no Cenário 6 - Regressão e Classificação . . . . . . . 133

14

1 INTRODUÇÃO
A SM é uma condição clínica que aumenta o risco de desenvolver DCV, sendo a DCV
uma das principais causas de mortalidade em todo o mundo. Segundo o National Heart, Lung,
and Blood Institute 2021, a SM é caracterizada pela presença de três ou mais fatores de risco,
como hipertensão arterial, níveis elevados de triglicerídeos, baixos níveis de colesterol HDL,
obesidade abdominal e resistência à insulina. A identificação precoce de pacientes em risco é
crucial para uma intervenção mais rápida e eficaz. Conforme mencionado por (KALIL et al.,
2017), a SM não é uma doença em si, mas um termo que descreve a presença simultânea de
vários fatores de RDC em uma pessoa.
Com base nisso, a pesquisa tem como propósito contribuir para o avanço na área da
prevenção e gerenciamento de SM e DCV, permitindo a identificação precoce de indivíduos em
risco, adoção de medidas preventivas e intervenções clínicas adequadas. A avaliação preditiva
pode ser uma ferramenta valiosa na área da saúde, permitindo a construção do perfil dos pacientes a partir do histórico médico, identificação de regiões com maior incidência de patologias
específicas, previsão dos custos de exames e internações, a previsão de taxas de ocupação de
leitos a aplicação da medicina preventiva para prevenir infecções e doenças potenciais. Essa
abordagem visa melhorar o cuidado sobre a qualidade de vida dos pacientes, além de auxiliar no
planejamento estratégico das instituições de saúde.
Diante dessa necessidade de previsão e gerenciamento de riscos na área da saúde, surge a
pergunta problema desta pesquisa: Como os modelos de ML podem ser aplicados para prever e
diagnosticar o RDC em relação à SM, considerando fatores clínicos e comportamentais, a fim de
auxiliar a prática médica e outros profissionais envolvidos na prevenção e gerenciamento da SM
e das DCVs?
Essa pergunta problema direciona o objetivo central desta pesquisa, que é explorar o
potencial dos modelos de ML na previsão e diagnóstico do RDC em relação à SM. Buscar-se-á
construir um modelo robusto que incorpore biomarcadores e critérios diagnósticos relevantes,
considerando tanto os fatores clínicos quanto os comportamentais. Ao responder a essa pergunta,
espera-se fornecer informações valiosas para os profissionais de saúde, contribuindo para a
prevenção e o cuidado individualizado dos pacientes, além de destacar a importância do uso de
ML na prática clínica.
Para alcançar o objetivo proposto, serão adotados os seguintes passos: em primeiro lugar,
serão utilizados os biomarcadores definidos pelos Critérios Diagnósticos para a SM segundo o

15
NCEP-ATP III, que permitem diagnosticar se um paciente apresenta ou não a SM. Esses critérios
são descritos na I Diretriz Brasileira de Diagnóstico e Tratamento da SM (BRANDÃO, 2005),
que fornece diretrizes atualizadas para o diagnóstico e tratamento da SM. Através da análise
desses biomarcadores, será possível identificar os principais fatores de risco e compreender
a relação entre a SM e as DCV. Em seguida, serão considerados os biomarcadores estudados
no Framingham Heart Failure Risk Score (FRS), que é um escore de risco desenvolvido pelo
Framingham Heart Study para avaliar o risco de insuficiência cardíaca (National Heart, Lung,
and Blood Institute, 1948). Esse escore incorpora diversos fatores de risco, como idade, sexo,
pressão arterial, colesterol, entre outros, e permite uma avaliação mais precisa e detalhada do
risco de SM e DCV em pacientes.
A utilização de biomarcadores e critérios diagnósticos relevantes no desenvolvimento do
modelo de predição proporcionará uma abordagem abrangente e fundamentada para prever e
diagnosticar o RDC associado à SM. Essas referências científicas e diretrizes reconhecidas no
campo da cardiologia e da saúde cardiovascular respaldam a relevância do uso de biomarcadores e
modelos de predição para auxiliar a prática médica como também outros profissionais envolvidos
no gerenciamento da SM e das DCV. Ao considerar essas referências e adotar uma abordagem
baseada em evidências, busca-se fornecer informações valiosas para os profissionais de saúde,
contribuindo para a prevenção, diagnóstico precoce e tratamento adequado dessas condições.
O objetivo geral deste trabalho é explorar a precisão dos modelos de ML na predição de
DCV, estabelecendo uma relação entre os marcadores da SM e o FRS. Através da aplicação de
técnicas avançadas de ML e com base em uma sólida base de dados, o modelo desenvolvido
terá o potencial de fornecer informações valiosas para os profissionais de saúde na tomada de
decisões clínicas.
Além do objetivo geral, são estabelecidos objetivos específicos para direcionar a pesquisa.
Esses objetivos incluem: identificação e seleção dos biomarcadores relevantes para a predição de
DCV relacionadas à SM, análise e processamento dos dados coletados a partir desses marcadores,
implementação de algoritmos de ML para o desenvolvimento do modelo preditivo e avaliação da
acurácia e eficácia desse modelo. Através da consecução desses objetivos específicos, esperase contribuir para o avanço na área da prevenção e gerenciamento de DCV, permitindo a
identificação precoce de indivíduos em risco e a adoção de medidas preventivas e de intervenções
clínicas adequadas. O uso de técnicas de ML, aliado a uma abordagem baseada em evidências e
dados confiáveis, tem o potencial de otimizar a prática médica, melhorar a tomada de decisões e,
consequentemente, impactar positivamente a saúde e o bem-estar dos pacientes.

16
A importância deste trabalho se reflete em diferentes âmbitos. Em primeiro lugar, para
a sociedade como um todo, a pesquisa busca contribuir para a prevenção e gerenciamento
de DCV, que representam uma das principais causas de morbidade e mortalidade em todo o
mundo. Ao desenvolver um modelo preditivo preciso e confiável, baseado em técnicas de ML, é
possível identificar indivíduos em risco e adotar medidas preventivas mais eficazes, resultando
em melhores resultados de saúde e qualidade de vida. No contexto da comunidade científica, este
trabalho busca preencher uma lacuna de conhecimento ao explorar a aplicação de modelos de ML
na predição de DCV relacionadas à SM (BRANDÃO, 2005). Com a crescente disponibilidade
de dados médicos e avanços tecnológicos, é fundamental investigar e avaliar a eficácia dessas
técnicas para melhorar a prática clínica e impulsionar a pesquisa na área da saúde.
Ao fornecer informações valiosas e predições precisas sobre o risco de desenvolver DCV,
os profissionais de saúde poderão tomar decisões mais embasadas, intervenções, oferecer um
cuidado mais direcionado e eficiente aos pacientes. Por sua vez, os pacientes podem se beneficiar
com uma detecção precoce de riscos, prevenção adequada e adoção de medidas para um estilo
de vida saudável.
Para a coleta de dados, serão empregadas diversas bases de dados relevantes. A primeira
delas consiste em informações de pacientes diagnosticados com SM, obtidas a partir do repositório do National Center for Health Statistics (NHANES). Essa base de dados é uma fonte
valiosa de informações relacionadas a essa condição clínica, contribuindo significativamente
para o estudo em questão. Além disso, será utilizado um conjunto de dados combinados de DCV,
que reúne informações de pacientes provenientes de diferentes localidades, incluindo Cleveland,
Hungria, Suíça e VA Long Beach. Essa abordagem permite uma ampla abrangência e diversidade
na análise dos fatores de risco e padrões relacionados às DCV (JANOSI, 1988).
Outro conjunto de dados utilizado é o denominado FRS, disponível no Kaggle, que faz
referência ao Estudo de Framingham. Esse estudo é reconhecido como um estudo epidemiológico
de longo prazo realizado em Framingham, Massachusetts, nos Estados Unidos, com o propósito
de investigar os fatores de risco associados às DCV.
Após a conclusão da etapa de coleta de dados, foram conduzidos diversos experimentos
com o objetivo de explorar os marcadores da SM e do FRS. Inicialmente, procedeu-se à análise
das 29 variáveis presentes no conjunto de dados extraído do (NHANES), com especial atenção
para a identificação dos marcadores relacionados ao FRS e à SM. A partir dessas informações, foi
desenvolvido um algoritmo capaz de atribuir pontuações para o RDC de acordo com o modelo de
FRS, gerando assim uma nova coluna no conjunto de dados contendo os valores correspondentes

17
ao RDC estimado para os próximos 10 anos.
Após essa etapa, foram conduzidos testes com o objetivo de classificar os riscos em
categorias de baixo, moderado, alto, utilizando os percentuais calculados, verificou-se que a
população diagnosticada com SM apresenta o dobro da probabilidade de desenvolver RDC em
comparação com a população sem essa condição. Esses testes são de extrema importância, pois
fornecerão informações valiosas sobre o RDC e a relação entre os marcadores da SM e do FRS.
Além disso, foram explorados diferentes cenários para aprimorar os modelos utilizados.
Esses cenários incluem avaliação do desempenho dos modelos com os marcadores da SM, a
utilização dos resultados dos modelos com os marcadores de FRS e combinação dos marcadores
da SM e do FRS. A análise desses cenários proporcionou uma compreensão mais abrangente
das relações entre os marcadores e permitiu a identificação de abordagens mais efetivas para a
prevenção e gerenciamento da SM e das DCV.
Após a coleta dos dados e realização dos experimentos, foram aplicadas técnicas de ML
para análise e tratamento dos dados, utilizando as bibliotecas de ML disponíveis em Python.
Isso inclui a aplicação de algoritmos de ML para realizar análises quantitativas, como regressão,
classificação e agrupamento. Foram utilizadas bibliotecas como scikit-learn, TensorFlow e Keras
para implementar e treinar os modelos de ML. Além disso, realizamos análises exploratórias
dos dados, utilizando técnicas estatísticas descritivas, como cálculo de média, desvio padrão e
análise de correlação. A análise qualitativa será conduzida por meio de técnicas como análise de
conteúdo e análise temática, buscando identificar padrões e categorias emergentes nos dados.
O trabalho está organizado em oito capítulos principais, abordando diferentes aspectos
da pesquisa. O Capítulo 1 oferece uma introdução ao tema, enquanto o Capítulo 2 justifica a
importância do estudo. O Capítulo 3 aborda a fundamentação teórica, incluindo a SM, o RDC e
a Inteligência Artificial. O Capítulo 4 apresenta o relato do problema e trabalhos relacionados. A
proposta para solucionar o problema é detalhada no Capítulo 5, juntamente com sua fundamentação teórica, hipóteses e relevância. O Capítulo 6 descreve a metodologia utilizada, incluindo o
desenvolvimento e escolha do modelo de predição. Os resultados da pesquisa são apresentados
no Capítulo 7, com seções dedicadas a diferentes tipos de documentos. O Capítulo 8 consiste na
conclusão, resumindo os principais achados e contribuições. Além disso, o trabalho inclui uma
seção de referências e apêndices contendo informações adicionais relevantes.

18

2 JUSTIFICATIVA
A SM é uma condição caracterizada por um conjunto de fatores de risco metabólicos
que estão associados a DCVs e outras condições de saúde. A orientação profissional em relação
aos pacientes com alto risco de desenvolver um estágio avançado da SM é fundamental para
prevenir complicações e melhorar a qualidade de vida. Nesse contexto, se justifica por ser capaz
de predizer os riscos para o desenvolvimento de SM, a partir de dado empíricos, permitindo
que profissionais de saúde elaborem planos terapêuticos personalizados, visando minimizar a
progressão da SM a longo prazo. A hipótese central desta pesquisa é que o modelo proposto
será útil não apenas para a prática médica, mas também para a equipe multiprofissional e os
pacientes, considerando que a SM tem como principal causa o estilo de vida do indivíduo.
Com base nos dados obtidos, será possível identificar grupos de risco e potenciais
ameaças, contribuindo para a construção de perfis de pacientes e o mapeamento de regiões com
maior incidência de SM. Além disso, será possível antecipar custos de exames e internações,
prever taxas de ocupação de leitos e aplicar medidas de medicina preventiva para evitar infecções
e doenças relacionadas.
É importante destacar que a presença da SM e seus componentes também têm sido
observados em pacientes com Diabetes Mellitus tipo 1, aumentando o risco de DCV nessa
população. Portanto, este trabalho apresentará um modelo de predição de riscos cardiovasculares
com base nos biomarcadores utilizados para o diagnóstico de SM e FRS, utilizando técnicas
avançadas de ML. Acredita-se que essa abordagem contribuirá para uma prática clínica mais
eficiente, permitindo intervenções precoces e personalizadas, resultando em melhores resultados
de saúde para os pacientes.

19

3 FUNDAMENTAÇÃO TEÓRICA
A SM está se tornando cada vez mais comum não só em países desenvolvidos, mas
também no Brasil. Embora não haja estudos de prevalência específicos para a população brasileira,
estudos em diferentes populações do mundo, como mexicanos, asiáticos e americanos, têm
mostrado dados importantes sobre a alta prevalência da SM. As taxas variam de 12,4% a
28,5% em homens e de 10,7% a 40,5% em mulheres, dependendo do critério utilizado e das
características da população analisada (JUNQUEIRA et al., 2011).
Devido à associação da SM com um maior número de eventos cardiovasculares, é
crucial tratar seus componentes. Um estilo de vida saudável, que inclui não fumar, praticar
atividades físicas e perder peso, é fundamental. Em alguns casos, o uso de medicação pode ser
necessário, sendo recomendada uma avaliação e orientação específicas de um endocrinologista
(METABOLOGIA, 2022). Além disso, outra solução para auxiliar no tratamento é o uso de
recursos tecnológicos para predizer o RDC em pacientes diagnosticados com SM.
Devido à sua intrínseca complexidade, a atenção à saúde ainda apresenta incertezas, com
mudanças frequentes em protocolos e práticas clínicas. O uso de modelos preditivos baseados
em ML tem o potencial de ajudar na tomada de decisão em diferentes momentos da atenção à
saúde, especialmente no diagnóstico, intervenção e acompanhamento de problemas de saúde
(OBERMEYER; LEE, 2017).

3.1

SM
A SM foi inicialmente descrita pelo diabetologista Gerald Reaven em 1988, durante uma

palestra proferida na reunião da American Diabetes Association em Nova Orleans. Na ocasião,
Reaven apresentou sua teoria sobre a forte ligação entre a resistência à insulina - característica
marcante do diabetes tipo 2 - e outras anomalias metabólicas, como a pressão alta e os níveis
elevados de triglicerídeos. Sua apresentação, intitulada Banting Lecture, tornou-se lendária entre
os especialistas da área. Como parte de sua teoria, Reaven cunhou o termo "Síndrome do Cluster
X"para se referir a esse conjunto de condições inter-relacionadas. Vale ressaltar que Reaven é
professor de medicina na Universidade de Stanford e sua pesquisa tem sido fundamental para
avançarmos na compreensão e no tratamento da SM.
Para (KALIL et al., 2017) a SM não é uma doença em si, mas um termo que designa
a presença simultânea de vários fatores de RDC em uma pessoa. Esses fatores de risco são
representados por alteração da glicemia (dosagem de glicose no sangue), alteração de triglicérides

20
(tipo de gordura), alteração de colesterol HDL, pressão alta e acúmulo de gordura na região
da barriga (KALIL et al., 2017). Neste sentido, podemos dizer que: a SM é um fator preditivo
importante para o desenvolvimento de diabetes no futuro, assim como, predizer o RDC em um
paciente diagnosticado com SM no próximos anos.
Por isso, é importante destacar a associação da SM com o RDC em determinado paciente.
O aumento da mortalidade geral causada por esta síndrome é cerca de 1,5 vezes na população
geral, já na cardiovascular em cerca de 2,5 vezes (NEGRÃO et al., 2005).
De acordo com a (ABESO, 2022), a literatura médica tem mostrado de forma consistente
que a presença do diagnóstico de SM, por si só, aumenta a mortalidade geral e cardiovascular
em uma determinada população estudada.
A prevenção e o tratamento da SM baseiam-se em medidas como perda de peso e prática
regular de atividade física, as quais são consideradas as melhores formas de evitar e tratar essa
condição. A detecção precoce do problema pode reduzir o surgimento de doenças cardíacas
futuras e proporcionar a oportunidade de promover mudanças no estilo de vida, evitando o
desenvolvimento de diversas complicações (SAÚDE, 2017).
Na proposta de pesquisa em questão, que visa realizar experimentos e análises para
predizer riscos cardiovasculares com base nos biomarcadores de diagnóstico da SM em pacientes
e também os biomarcadores do RFS, é essencial considerar os elementos teóricos apresentados
anteriormente. Além disso, é imprescindível que o tema abordado seja igualmente significativo
para os interessados, garantindo assim a relevância e o impacto dos resultados obtidos.
Critérios Diagnósticos para a SM segundo o NCEP- ATP III1 e a WHO2 Critério da ATP
III Critério da ATP III1.
A presença de 3 ou mais dos seguintes critérios é utilizada para o diagnóstico da SM:
1. Obesidade Abdominal: Cintura > 102 cm em homens e > 88 cm em mulheres
2. Hipertrigliceridemia ≥ 150 mg/dl
3. HDL Colesterol Baixo: ≤ 40 mg/dl em homens e ≤ 50 mg/dl em mulheres
4. Pressão Arterial Elevada: ≥ 130/85 mmHg
5. Glicemia de Jejum Elevada: ≥ 110 mg/dl
A literatura médica amplamente discute os critérios utilizados para o diagnóstico da SM.
De acordo com (ABESO, 2022), o excesso de peso, caracterizado pelo acúmulo de gordura na

21
circunferência abdominal, é um critério essencial da síndrome. Quando combinado às outras
comorbidades relacionadas à resistência à insulina, forma um complexo de fatores de risco
que contribuem de forma independente para o desenvolvimento de doença cardiovascular por
aterosclerose. É importante salientar que a presença de SM, por si só, aumenta a mortalidade
geral e cardiovascular na população estudada.

3.2

RDC
Os primeiros relatos sobre RDC é sobre a aterosclerose, que segundo (LOTUFO, 1999),

é uma doença tão antiga quanto a espécie humana. Foi observada em múmias Egípcias datadas
do século XV A/C (1) e na China, corpos com mais de 2.000 anos, apresentavam lesões
ateroscleróticas das coronárias (LOTUFO, 1999).
Após a descrição da circulação sanguínea por W. Harvey em 1628 (LOTUFO, 1999),
W. Heberden, em 1798, descobre a “Angina Pectoris” hoje conhecida como Angina Estável,
descrevendo o quadro clínico e reconhecendo a gravidade da doença, porém não tinha ideia da
causa desses sintomas (Friesinger, at. al, 1999). No ano seguinte C. Parry (1799) associou a
angina à obstrução coronariana, que chamou de “Ossificação”.
Em 1849, Vogel fez a primeira referência à presença de colesterol nas placas ateroscleróticas (GIANNINI, 1998). Na época, o patologista mais renomado, R. Virchow (1856), levantou a
hipótese de que a aterosclerose era uma doença resultante de perturbações metabólicas na parede
das artérias causadas pelo colesterol (II; HURST, 1999). Em 1910, R. Windaus observou que as
lesões ateromatosas continham seis vezes mais colesterol livre e vinte vezes mais colesterol esterificado do que a parede normal da artéria (II; HURST, 1999). Apesar das evidências disponíveis
até então, ainda não se havia percebido que a hipercolesterolemia era uma das principais causas
da aterosclerose.
O estudo pioneiro de A. I. Ignatowski na Academia de Medicina Militar de Leningrado,
em 1908, alimentando coelhos com ovos e leite, foi fundamental para a descoberta das placas
branco-acinzentadas na aorta dos animais, semelhantes às observadas em corações humanos
(CODORNIZ, 2000). No entanto, as principais descobertas sobre os fatores de risco para doenças
cardíacas foram realizadas no consagrado estudo de Framingham, uma das primeiras coortes
a demonstrar a importância desses fatores (National Heart, Lung, and Blood Institute, 1948).
Antes do Framingham, a maioria dos médicos acreditava que a aterosclerose era um processo de
envelhecimento inevitável e que a hipertensão arterial era uma consequência fisiológica desse
processo, auxiliando o coração a bombear o sangue pelas artérias com lúmen reduzido.

22
Avançar no entendimento das DCV, incluindo seus aspectos mecanísticos, fisiopatológicos, diagnósticos, prognósticos e terapêuticos, com base sólida na medicina baseada em
evidências, é uma tarefa crucial nesse cenário. De acordo com (POLANCZYK, 2005), após
cinco décadas de pesquisa sobre os fatores de risco associados às doenças cardíacas, tem sido
possível observar em todo o mundo um melhor controle desses fatores e uma redução nas taxas
de mortalidade. De fato, dados do estudo de Framingham demonstraram uma redução de 59%
na mortalidade por doença coronariana no período de 1950 a 1999 (POLANCZYK, 2005);
(National Heart, Lung, and Blood Institute, 1948).
O Ministério da Saúde tem adotado várias iniciativas para reduzir o impacto das doenças
não-transmissíveis na população brasileira. Desde o rastreamento de diabete melito em nível
nacional, implementação de campanhas sobre hipertensão arterial sistêmica, aplicação de protocolos para manejo agressivo da dislipidemia em coronariopatas, entre outros (POLANCZYK,
2005).
Atualmente, o controle dos níveis de colesterol, pressão arterial e diabetes é fundamental
para mitigar doenças cardíacas, vasculares e derrames. É difícil imaginar uma época em que
esses e outros fatores de risco não fossem considerados problemas significativos por muitos
médicos (National Heart, Lung, and Blood Institute, 1948). É importante reconhecer a evolução
do conhecimento médico e a importância de manter uma abordagem baseada em evidências na
prevenção e tratamento de DCV.
Destacado na Atualização da Diretriz de Prevenção Cardiovascular da Sociedade Brasileira de Cardiologia de 2019, o Risco Aterosclerótico para SM, Diabetes Mellitus e a Correlação
Contínua da Doença Arterial Coronária são de extrema importância para a compreensão das
DCV (PRECOMA, 2019). Para (PRECOMA, 2019), a SM e o Diabetes Mellitus representam um espectro de doenças multissistêmicas que afetam o endotélio vascular e contribuem
significativamente para a progressão fisiopatológica da DAC.
O RDC (CV) pode aumentar até 20 anos antes do diagnóstico clínico de diabetes mellitus
(DM), segundo os critérios atuais. Além disso, a SM é um dos principais fatores de risco para o
desenvolvimento de DM e está relacionada a alterações metabólicas que levam à aterotrombose
coronariana (CARDIOLOGIA, 2019). Uma metanálise com quase 1 milhão de indivíduos
de 87 estudos indicou que a SM está associada a um aumento de duas vezes nos desfechos
cardiovasculares e a um aumento de 1,5 vezes na mortalidade por todas as causas, ultrapassando
o risco isolado de seus componentes. (CARDIOLOGIA, 2019).
(SOMITI, 2020) afirma que a SM e a sua relação com DCV é caracterizado por um

23
conjunto de fatores de risco para o coração, relacionados ao acúmulo de gordura abdominal e à
resistência à ação da insulina. Entre esses riscos, podemos destacar a dislipidemia, a obesidade
centrípeta, a alteração na homeostase glicêmica, isquemia cardíaca e a hipertensão arterial
sistêmica. A obesidade central e a gordura visceral, que estão relacionadas à SM, estimulam os
processos inflamatórios que se agravam e propiciam doenças vasculares no coração, nas artérias
e até no cérebro (SOMITI, 2020).
Nesta pesquisa, serão realizados testes nos algoritmos com o intuito de avaliar o risco de
doença cardiovascular. Alguns profissionais da área sugerem que a melhor forma de análise é
avaliar cada fator de risco isoladamente, e essa abordagem será adotada neste estudo.
Os resultados indicam que a presença da SM é significante na distribuição do RDC.
De fato, a população estudada apresenta um RDC elevado, como evidenciado pela prevalência
relevante dos fatores de risco utilizados no FRS e na classificação da SM.

3.3

INTELIGÊNCIA ARTIFICIAL
De acordo com (TUNES, 2022), foi em 1956, durante uma conferência realizada no

Dartmouth College, em New Hampshire, Estados Unidos, que o cientista da computação John
McCarthy usou pela primeira vez a expressão “inteligência artificial”. As possibilidades eram
tão animadoras que órgãos privados e governamentais investiram pesado na área, incluindo a
Agência de Pesquisa de Projetos Avançados (ARPA), que é uma organização governamental
dos Estados Unidos focada em impulsionar a pesquisa e o desenvolvimento de tecnologias
avançadas em várias áreas, incluindo defesa, ciência e tecnologia. Ela é conhecida por financiar
projetos inovadores de alto risco que têm o potencial de causar impactos significativos em seus
campos de atuação. A ARPA é famosa por seus sucessos no passado, como o desenvolvimento da
ARPANET, que foi o precursor da Internet moderna. Sua abordagem se concentra em soluções
revolucionárias e no avanço de tecnologias de vanguarda para enfrentar desafios complexos.
(KLEINA, 2018).
A inteligência artificial (IA) começou como um campo experimental nos anos 50 com
pioneiros como Allen Newell e Herbert Simon, que fundaram o primeiro laboratório de inteligência artificial na Universidade Carnegie Mellon, e McCarty que juntamente com Marvin
Minsky, que fundaram o MIT AI Lab em 1959. Foram eles alguns dos participantes na famosa
conferência de verão de 1956 em Darthmouth College (BITTENCOURT, 2001).
O campo de pesquisa da inteligência artificial foi estabelecido em uma conferência
realizada no campus do Dartmouth College durante o verão de 1956 (KAPLAN, 2022). Os

24
participantes deste evento se tornaram líderes na pesquisa de IA por muitas décadas.
Um marco importante para o desenvolvimento da inteligência artificial foi o trabalho de
Alan Turing intitulado “Computing Machinery and Intelligence” (em português, “Computadores
e Inteligência”), escrito em 1950. Esse trabalho contribuiu significativamente para o desenvolvimento do computador moderno e lançou as bases para o estudo da inteligência artificial (LIMA,
2017). O artigo de Turing é dividido em três partes: a primeira aborda o jogo da Imitação e o
computador digital, a segunda discute objeções filosóficas à inteligência artificial e, por fim, a
terceira parte trata de máquinas que aprendem.
O cientista da computação John McCarthy foi um dos pioneiros da inteligência artificial
e foi ele quem cunhou o termo “Inteligência Artificial”. McCarthy também desenvolveu a linguagem de programação LISP, que foi uma das primeiras a ser utilizada no campo da inteligência
artificial. A LISP é uma linguagem de programação funcional que se tornou popular na década
de 1960 e serviu de base para os estudos da IA. Além disso, a LISP foi utilizada na criação de
programas que foram capazes de desafiar a inteligência humana em partidas de xadrez (NOYES,
1992).
Para que a aprendizagem seja significativa, é necessário trabalhar com temas que sejam
igualmente relevantes para os envolvidos. Um exemplo disso é a aplicação da IA na área da
saúde, uma tecnologia com múltiplas aplicações capaz de analisar grandes volumes de dados. A
IA já faz parte do nosso cotidiano, desde escolher as melhores rotas em aplicativos de trânsito
até cuidar da nossa saúde (FIGUEROA, 2020). De acordo com (FIGUEROA, 2020) a medicina
é uma das áreas que mais tem se beneficiado da IA.
De acordo com a Organização Mundial da Saúde (OMS), a inteligência artificial (IA) é
uma grande promessa para melhorar a prestação de atenção à saúde e medicamentos em todo o
mundo, mas apenas se a ética e os direitos humanos forem colocados no centro de seu desenho,
implantação e uso, de acordo com as novas orientações da organização (OMS, 2021).
O relatório "Ethics and governance of artificial intelligence for health"(Ética e governança
da inteligência artificial para a saúde, em tradução livre) é resultado de dois anos de consultas
realizadas por um painel de especialistas internacionais indicados pela OMS (OPAS, OMS,
2021).
Ao utilizar a Inteligência Artificial de forma responsável e ética na área da saúde, é
possível obter diversas contribuições, como melhoria da eficiência no atendimento aos pacientes
e na prevenção de doenças. Dentre as técnicas do Aprendizado de Máquina utilizadas no
tratamento de doenças, destacam-se os algoritmos de regressão (OPAS, OMS, 2021).

25
3.3.1

Machine Learning
Em 1959, Arthur Samuel, engenheiro do MIT e considerado o precursor da inteligência

artificial, abordou pela primeira vez o termo Machine Learning (ML). Ele também é creditado
como criador do termo "Machine Learning"naquele mesmo ano, descrevendo o conceito como
"um campo de estudo que dá aos computadores a habilidade de aprender sem terem sido
programados para realização de tal tarefa"(QUARESMA, 2019).
De acordo com (GOMES, 2019), o aprendizado de máquina é o “campo de estudo que
dá aos computadores a habilidade de aprender sem serem explicitamente programados”.
Em 2006. Geoffrey et al. publicaram um artigo que descrevia como treinar uma rede
neural profunda capaz de reconhecer dígitos manuscritos com uma precisão superior a 98%,
o que foi considerado estado-da-arte na época. Essa técnica, denominada "Deep Learning"ou
"Aprendizado Profundo", é um ramo específico do Aprendizado de Máquina (GÉRON, 2017).
De acordo com (GRUS, 2019), o aprendizado de máquina refere-se à criação e uso de
modelos que são aprendidos a partir de dados, e pode ser denominado como modelo preditivo ou
mineração de dados em outras definições. Para a presente pesquisa, será adotada a definição de
aprendizado de máquina proposta pelo autor.
Para (GRUS, 2019) a árvore de decisão como um exemplo de como prever um resultado
e destaca sua importância para o desenvolvimento do trabalho. Ele menciona que a utilização da
árvore de decisão é uma boa maneira de identificar as doenças dos pacientes e, posteriormente,
usar os dados para encontrar a melhor árvore de decisão para o problema em questão.
O Machine Learning, como subárea de pesquisa da Inteligência Artificial, tem como
objetivo desenvolver técnicas computacionais e sistemas capazes de aprender conhecimento
automaticamente (MONARD; BARANAUSKAS, 2003). Para isso, algoritmos são utilizados
para que uma máquina tome decisões com base em dados prévios e nos dados utilizados pelo
usuário, tornando possível a resolução de problemas complexos (MILDENBERGER, 2014).
A aplicação das técnicas de IA tem impactado diversas áreas, incluindo a saúde, onde os
modelos de ML podem ser utilizados para prevenção e detecção precoce de doenças, além de
evitar intervenções desnecessárias. Por exemplo, é possível selecionar grupos de pacientes para
aplicação de vacinas ou prevenção da instalação de comorbidades em pacientes internados, o
uso de ML na saúde tem potencial para melhorar a qualidade de vida da população, oferecendo
diagnósticos mais precisos e tratamentos personalizados (MILDENBERGER, 2014).
Na busca pelo melhor modelo de ML para uso na área da saúde, é fundamental realizar
uma revisão da literatura a fim de identificar trabalhos já desenvolvidos sobre o tema. Um

26
exemplo de trabalho que se destaca nesse sentido é o de (WENG et al., 2017), que concluiu que
o uso de técnicas de aprendizado de máquina pode significativamente melhorar a precisão na
previsão de RDC, aumentando o número de pacientes identificados que podem se beneficiar de
tratamentos preventivos, e evitando outros tratamentos desnecessários. É importante ressaltar
que o modelo de redes neurais apresentou o melhor desempenho dentre os modelos analisados,
resultando em 355 predições corretas adicionais de doença cardiovascular quando comparado ao
modelo baseado nas recomendações do Colégio Americano de Cardiologia. Com isso, pode-se
afirmar que o uso de ML na saúde tem o potencial de melhorar significativamente a qualidade
dos diagnósticos e tratamentos, contribuindo para a promoção de uma assistência médica mais
eficiente e efetiva (WENG et al., 2017).
Os algoritmos de ML utilizados neste estudo foram modelos de regressão, que pertencem
ao aprendizado supervisionado. Para caracterizar uma regressão, é necessário um conjunto de
dados com n observações, cada uma representada por um vetor de mensurações das m variáveis
independentes (ou variáveis preditoras), bem como a mensuração correspondente da variável
dependente (ou variável resposta). Se a variável resposta for uma variável quantitativa, ela se
enquadra nesse contexto. Além disso, as tarefas de ML podem ser divididas em duas categorias:
preditivas e descritivas. No aprendizado supervisionado, a meta é encontrar uma função a partir
dos dados de treinamento que possa ser utilizada para prever um rótulo ou valor que caracterize
um novo exemplo, com base nos valores de seus atributos de entrada. Os algoritmos utilizados
nessa tarefa são o K-Vizinhos-Mais-Próximos, Regressão Linear, Regressão Logística, Árvore
de Decisão e Floresta Aleatória, Máquinas de Vetores de Suporte e Decision Tree Classification
(GÉRON, 2017). (FACELI et al., 2011), também apresentam uma abordagem de aprendizado de
máquina, abordando diversas técnicas, incluindo algoritmos supervisionados de regressão, como
uma das possibilidades para a análise de dados.
Considerando a relevância e efetividade dos modelos preditivos de Machine Learning, é
crescente o interesse e a adoção destas técnicas em diversas áreas do conhecimento, incluindo a
Saúde. A literatura tem demonstrado a utilidade desses modelos na previsão de diagnósticos, na
identificação de riscos, no suporte à decisão clínica e em outras aplicações importantes.

27

4 RELATO DO PROBLEMA
De acordo com a primeira Diretriz Brasileira de Diagnóstico e Tratamento da SM, essa
condição se tornou um dos principais desafios na prática clínica atual. A presença da SM associada a DCV aumenta a taxa de mortalidade geral em cerca de 1,5 vezes e a taxa de mortalidade
cardiovascular em aproximadamente 2,5 vezes, conforme destacado por (BRANDÃO, 2005).
Neste estudo, iniciamos nossa investigação analisando a possibilidade de desenvolvimento
de risco de doença cardiovascular nos próximos 10 anos. O conjunto de dados para análise foi
extraído da iniciativa NHANES 1 . O experimento empregou os critérios do FRS e alguns
marcadores utilizados no diagnóstico da presença da SM, com exceção da medida do volume da
cintura.
Os resultados revelaram uma diferença significativa entre a média do Risco de Evento
Cardiovascular (RiscoECV) na população com SM (6.19) e a média na população sem SM (3.10).
Para avaliar a magnitude dessa diferença, calculamos a razão entre essas médias.
Observamos que a média do Risco de Evento Cardiovascular (RiscoECV) na população
com SM é quase o dobro da média na população sem SM, sendo aproximadamente 1,99 vezes
maior. É importante ressaltar que, de acordo com (BRANDÃO, 2005), nenhum escore de
risco, incluindo o estudo de Framingham, foi desenvolvido para prever a ocorrência futura de
insuficiência cardíaca (IC) em pacientes com diabetes mellitus (DM) e SM.
Além disso, é relevante destacar que, até a atualização da Diretriz de Prevenção Cardiovascular da Sociedade Brasileira de Cardiologia em 2019, nenhum escore de risco específico
para IC futura havia sido desenvolvido nesse grupo de pacientes, conforme mencionado por
(PRECOMA, 2019). Portanto, considerando o objetivo deste trabalho, que é propor um Modelo
de Aprendizado de Máquina para a Predição de RDC Utilizando Biomarcadores da SM e do
FRS.
A obesidade é amplamente reconhecida como um fator de risco significativo para o desenvolvimento da SM. Segundo especialistas, como a endocrinologista Kristhiane Di Domenico,
embora a predisposição genética possa influenciar a suscetibilidade à obesidade, hábitos de vida
não saudáveis desempenham um papel fundamental no favorecimento do excesso de peso e
da obesidade. Esses hábitos, como uma alimentação inadequada e a falta de atividade física
regular, podem levar ao acúmulo de gordura corporal, desencadeando uma série de alterações
metabólicas e fisiológicas (DOMENICO, 2021).
1

disponível em: https://data.world/

28
A obesidade, por sua vez, contribui para o surgimento de outras condições que compõem a
SM, como alterações na glicemia, no perfil lipídico e na pressão arterial. Dessa forma, a obesidade
é considerada a base da síndrome, pois seu impacto negativo no organismo pode desencadear uma
cascata de eventos que resultam em complicações metabólicas e cardiovasculares (DOMENICO,
2021).
A obesidade central é um dos principais marcadores utilizados para o diagnóstico da
SM. Vale destacar que a obesidade é um problema global e sua prevalência vem aumentando
de forma preocupante em todo o mundo. No Brasil, segundo dados de 2018 divulgados pelo
Ministério da Saúde, 19,8% da população é obesa e mais da metade (55,7%) apresenta sobrepeso.
Diante desses dados alarmantes, é fundamental que a obesidade seja tratada com atenção especial.
No caso da SM, em particular, a obesidade central é um fator ainda mais preocupante que a
obesidade total (DOMENICO, 2021).
A obesidade central não se refere apenas ao excesso de peso em si, mas sim ao aumento
da circunferência da cintura. Em outras palavras, quando falamos de obesidade central, não
estamos nos referindo ao Índice de Massa Corporal (IMC), mas sim à medida da cintura. Um
valor igual ou superior a 88 cm para mulheres e 102 cm para homens é um sinal de alerta.
Portanto, para reduzir a obesidade central, simplesmente fazer dieta pode não ser suficiente. É
importante combinar uma alimentação adequada com exercícios físicos. Essa abordagem deve
ser orientada aos pacientes diagnosticados com SM (DOMENICO, 2021).
Dentre as doenças cardíacas que podem ser causadas pela SM, destaca-se a doença
arterial coronariana, causada pela obstrução das artérias coronárias, e a insuficiência cardíaca,
que ocorre quando o coração não consegue bombear sangue suficiente para o corpo. Além disso,
a SM também aumenta o risco de arritmias cardíacas, como a fibrilação atrial (American Heart
Association, 2020) (ASSOCIATION, 2020).
De acordo com Grundy (GRUNDY, 2016), além da doença arterial coronariana e da
insuficiência cardíaca, a síndrome metabólica pode estar relacionada a outras condições que
aumentam o risco de doenças cardíacas, como a apneia do sono, a esteatose hepática não
alcoólica e o diabetes tipo 2. Por isso, é fundamental que o tratamento da síndrome metabólica
inclua o controle desses fatores de risco, a fim de prevenir o desenvolvimento de complicações
cardiovasculares e outras consequências associadas à condição.
Diante da associação entre a SM e o RDC, mencionada por (BRANDÃO, 2005), tornou-se
necessário elaborar uma Diretriz Brasileira de Diagnóstico e Tratamento da SM. O objetivo dessa
diretriz foi reunir as principais evidências científicas disponíveis e apresentar recomendações

29
para o diagnóstico, tratamento e acompanhamento dessa condição no contexto brasileiro. No
entanto, é importante ressaltar que, embora existam diversos escores de RDC na literatura,
nenhum deles foi desenvolvido especificamente para a população com SM, o que limita sua
aplicação clínica e sua capacidade de prever eventos cardiovasculares nessa população.
Além disso, com base na atualização de 2019 da Diretriz de Prevenção Cardiovascular
da Sociedade Brasileira de Cardiologia, constatou-se que até o momento não foi desenvolvido
nenhum escore de risco específico para a previsão de insuficiência cardíaca em pacientes com
diabetes mellitus e SM (Precoma et al., 2019).
Considerando o levantamento realizado na revisão bibliográfica e a elaboração de um
protocolo de revisão sistemática da literatura (RSL) para complementar e embasar este trabalho,
buscou-se identificar no estado da arte se havia sido desenvolvido um escore que pudesse ser
utilizado no diagnóstico e predição da SM e do RDC. Uma vez que a SM é um fator predominante
no desenvolvimento desse risco, a revisão da literatura destacou a falta de um escore de RDC
específico para a população com SM e DM. Diante dessa lacuna, surge a seguinte pergunta
de pesquisa: "Qual a recomendação de um modelo de Machine Learning para a predição e
diagnóstico da SM e RDC, explorando biomarcadores de diagnóstico da SM e o escore de risco
de Framingham (FRS)?".
A proposta desse modelo é fornecer uma ferramenta útil para orientar a tomada de decisão
clínica e melhorar a prevenção e o tratamento de DCV em pacientes com SM.

4.1

TRABALHOS RELACIONADOS
Esta seção apresenta uma revisão dos trabalhos nos quais os pesquisadores desenvolveram

sistemas utilizando algoritmos de aprendizado de máquina. Além disso, descreve as metodologias
empregadas para validar os modelos propostos pelos pesquisadores.
Ao longo desses estudos, diversos métodos de validação foram utilizados para avaliar a
eficácia e a precisão dos modelos de aprendizado de máquina desenvolvidos. Entre as metodologias empregadas, destaca-se a validação cruzada, a divisão do conjunto de dados em conjuntos
de treinamento e teste, a utilização de métricas de desempenho, como acurácia, precisão, recall e
F1-score, e a comparação dos resultados com outros modelos ou abordagens existentes.
Além disso, muitos pesquisadores adotaram uma abordagem rigorosa ao realizar experimentos controlados, garantindo que seus modelos fossem testados em conjuntos de dados
representativos e variados, abrangendo diferentes populações e características clínicas. Essa
abordagem permitiu a avaliação da generalização dos modelos e a análise da sua aplicabilidade

30
em diferentes cenários.
Vale ressaltar que a validação dos modelos de aprendizado de máquina é um processo
contínuo e interativo, no qual os pesquisadores buscam aprimorar suas abordagens e enfrentar
desafios específicos relacionados aos dados disponíveis, à qualidade das variáveis e à escolha adequada dos algoritmos. Portanto, a utilização de metodologias robustas de validação é
fundamental para garantir a confiabilidade e a aplicabilidade dos modelos propostos.
Ao revisar esses estudos, foi possível observar uma diversidade de abordagens e metodologias adotadas, cada uma com suas vantagens e limitações. Essa variedade reflete a complexidade
e a multidimensionalidade dos problemas abordados e ressalta a importância de considerar
cuidadosamente a escolha das metodologias de validação, considerando as peculiaridades do
domínio de aplicação e dos conjuntos de dados utilizados.
A revisão desses trabalhos e metodologias de validação será fundamental para embasar a
escolha da abordagem mais adequada na construção e validação do modelo de aprendizado de
máquina proposto.
4.1.1

Revisão Bibliográfica e Revisão Sistemática da Literatura
Para a seleção dos estudos relacionados a esta dissertação, foi conduzida uma revisão

bibliográfica abrangente com o objetivo de analisar o estado da arte no campo da predição de
RDC relacionado à SM. Durante essa análise, constatou-se uma extensa quantidade de estudos
que abordavam a predição de RDC na população em geral. No entanto, identificou-se uma lacuna
de estudos específicos que investigassem o RDC na população com SM, utilizando técnicas de
aprendizado de máquina.
Diante dessa lacuna, tornou-se evidente a importância de desenvolver um Revisão Sistemática da Literatura para auxiliar na seleção criteriosa de trabalhos relevantes. Por meio
desse protocolo, foram selecionados minuciosamente três estudos que satisfazem os critérios
estabelecidos. O objetivo principal desta pesquisa é propor uma solução eficaz e recomendar um
modelo adequado para preencher essa lacuna de pesquisa, beneficiando não apenas a comunidade
acadêmica, mas também áreas correlatas.
Conforme descrito na FIGURA 1, a coleta de dados foi conduzida seguindo a estratégia de
RSL proposta por (KITCHENHAM, 2007). Nessa etapa, foram adotados cinco passos essenciais:
busca e seleção dos estudos, avaliação da qualidade, extração dos dados, síntese dos resultados e
interpretação dos achados. A ferramenta Parsifal, foi utilizada para a elaboração do protocolo2 . O
2

Acesso em: <https://parsif.al/> [ 12 de junho de 2021]

31
Parsifal é uma ferramenta online projetada para auxiliar pesquisadores na realização de revisões
sistemáticas da literatura no contexto da Engenharia de Software.
No que se refere ao passo de seleção dos estudos, foram estabelecidos os seguintes
critérios para a escolha das bases científicas: (1) inclusão de bases indexadas no Portal de
Periódicos CAPES e (2) relevância das bases para as áreas de Aprendizado de Máquina, Modelos
de Predição, SM, Risco Vascular e Escore de Risco Global de Framingham. Com base nesses
critérios, as bases científicas selecionadas foram: IEEE Digital Library, PubMed, PubMed Central
(PMC) e Scopus. Essa seleção abrange estudos de alta relevância nessas áreas, garantindo uma
abrangência adequada para a pesquisa. A quantidade de estudos selecionados está disponível na
FIGURA 1.
Com base nas palavras-chave e sinônimos utilizados na elaboração do protocolo, e após
diversas validações para contemplar os três estudos inicialmente planejados, foi elaborada a
seguinte string de busca automática: (("Machine learning"AND "Síndrome Metabólica") AND
("RDC")). Essa string de busca foi construída para garantir a inclusão dos termos pertinentes e
otimizar a precisão na seleção dos estudos.
Como trabalho futuro, pretende-se aprimorar esta RSL inicial e publicá-la. Além disso,
planeja-se incorporar todos os passos necessários para finalizar a RSL, a fim de obter uma visão
abrangente do tema e identificar possíveis lacunas adicionais.
Figura 1 – Revisão Sistemática da Literatura

Fonte: : Autor desta dissertação

32
4.1.1.1

Estudos Selecionados
(PINILLA, 2021) informa que na Colômbia existem deficiências no desenvolvimento

e desenho de modelos de previsão da SM usando técnicas de IA, portanto, sua proposta, foi
desenvolver um sistema para prever a ocorrência de SM nos dados obtidos no estudo transversal
e descritivo da FUPRECOL (Fuerza Prensil Colombia) utilizando técnicas de IA de alto desempenho como Máquinas de Vetores de Suporte e Redes Neurais, além de classificadores básicos.
como Reconhecedor Euclidiano.
Para o processamento dos dados (PINILLA, 2021), realizou com a criação de padrões
aleatórios utilizando a técnica ADASYN - para conjuntos de datos desequilibrados) e foram
utilizadas técnicas de redução de dimensionalidade como FSCNCA - e Sequential Forward
Selection. Os melhores modelos de cada técnica foram escolhidos e avaliados com padrões de
teste para validar a porcentagem real da classificação do sistema.
As porcentagens de classificação foram obtidas com Redes Neurais e Máquinas de Vetor
de Suporte de 91,8% e 93% respectivamente, sendo esta última a técnica com melhor predição.
Os resultados obtidos mostram ser possível desenvolver sistemas com técnicas de IA para prever
a SM com altas porcentagens de classificação, o que poderia ter grande potencial para prever
desde a juventude a probabilidade que uma pessoa possa sofrer dessa síndrome e assim prevenir
em idades adultas o aparecimento de doenças relacionadas a SM (PINILLA, 2021).
(YANG, 2018), no artigo "Comparison between Metabolic Syndrome and the Framingham Risk Score as Predictors of Cardiovascular Diseases among Kazakhs in Xinjiang,"os
autores avaliou a eficácia da SM e do FRS como preditores de DCV em uma população cazaque
em Xinjiang, China. Os autores coletou dados de 2.286 participantes e os acompanharam por
um período médio de 5,49 anos. Eles descobriram que tanto a SM quanto o FRS foram capazes
de prever o risco de DCV em indivíduos cazaques, mas que a SM pode ser um indicador mais
efetivo de RDC em comparação com o FRS. Os resultados sugerem que a detecção precoce da
SM pode ajudar a identificar indivíduos com maior risco de DCV e que medidas preventivas e de
gerenciamento devem ser tomadas para reduzir o risco de DCV. Os autores também mostraram
que a adição da idade ao escore de risco de SM aumentou significativamente sua sensibilidade e
AUC, tornando-o um melhor preditor de DCV do que o FRS para a população estudada.
O estudo realizado por (MAIGA, 2019), comparou vários modelos de aprendizado de
máquina para prever DCV usando um conjunto de dados da plataforma Kaggle. O conjunto de
dados inclui 70.000 registros de pacientes com 12 atributos, incluindo idade, altura, peso, sexo,
pressão arterial sistólica e diastólica, colesterol, glicose, tabagismo, consumo de álcool, atividade

33
física e presença ou ausência de DCVs. O objetivo do estudo foi determinar o melhor modelo
para prever a presença de doença cardiovascular. Os modelos testados foram Random Forest,
Naïve Bayes, KNN e Regressão Logística.
Os resultados do estudo mostraram que o modelo de floresta aleatória teve a melhor
precisão na classificação de 73%, especificidade de 65% e sensibilidade de 80% na previsão de
DCV. O autor do estudo enfatizou a importância da seleção de recursos para melhorar a precisão
dos modelos de previsão de DCV.
Os resultados indicaram que o modelo de floresta aleatória teve a melhor precisão na
previsão da presença de doença cardiovascular. Os resultados deste estudo são relevantes para a
identificação precoce de DCV e podem ajudar a melhorar os esforços de prevenção e tratamento.
(SUDHA et al., 2021) comparou a precisão de vários métodos de aprendizado de máquina
para prever o risco de DCV. O objetivo do estudo foi criar um modelo de previsão para auxiliar
as pessoas a conhecerem o estado de saúde do coração. Para isso, foram coletados dados do
escore de risco de Framingham padrão (FRS) e das características derivadas do ECG, e a técnica
de fusão de recursos foi utilizada para combinar esses conjuntos de dados em um único banco de
dados.
O estudo seguiu as seguintes etapas: coleta dos parâmetros FRS e ECG, fusão de dados
no conjunto de dados FRS e ECG, pré-processamento de dados, construção de modelos de
aprendizado de máquina, avaliação do desempenho dos modelos e previsão da pontuação de
risco.
Os resultados do estudo indicaram que, individualmente, os principais fatores do conjunto
de dados FRS e os parâmetros de ECG produziram precisões variando de 64,47% a 83,18%,
dependendo do modelo de aprendizado de máquina utilizado. No entanto, essas medidas por si
só não conseguiram explicar todos os fatores de risco que os pacientes com DCV apresentam.
Como resultado, o procedimento de fusão de características do conjunto de dados de ECG foi
usado para cobrir a maioria dos fatores de risco que levam ao desenvolvimento de uma pontuação
de risco de DCV em indivíduos.
Em resumo, este estudo comparou vários modelos de aprendizado de máquina na previsão
do risco de DCV, utilizando dados de escore de risco de Framingham e características derivadas
do ECG. O estudo destacou a importância da fusão de características para melhorar a precisão
dos modelos de previsão de DCV e contribui para a identificação precoce e tratamento dessas
doenças.
De acordo com (HUANG et al., 2021) o artigo Application of ensemble machine learning

34
algorithms on lifestyle factors and wearables for cardiovascular risk prediction aborda fontes
de dados inovadoras para a previsão do RDC, incluindo questionários detalhados sobre estilo
de vida e monitoramento contínuo da pressão arterial, utilizando MLAs. O escore de risco
convencional de referência utilizado foi o FRS.
Os resultados obtidos revelaram que os MLAs em conjunto, construídos com base nos
algoritmos Naive Bayes, Random Forest e Support Vector Classifier para categorias de baixo
risco, e Generalized Linear Regression, Support Vector Regressor e Stochastic Gradient Descent
Regressor para categorias de alto risco, superaram o desempenho do FRS tanto para as categorias
de baixo quanto de alto risco. O MLA baseado apenas no questionário sobre estilo de vida obteve
uma AUC de 0,715 (95% CI 0,681, 0,750) e 0,710 (95% CI 0,653, 0,766) para baixo e alto risco,
respectivamente.
Ao combinar todos os grupos de fatores de risco, como questionários sobre estilo de
vida, exames clínicos de sangue, monitoramento de pressão arterial ambulatorial de 24 horas e
frequência cardíaca, juntamente com a seleção de características, a previsão dos grupos de baixo
e alto risco de DCV foi aprimorada ainda mais, alcançando uma AUC de 0,791 (95% CI 0,759,
0,822) e 0,790 (95% CI 0,745, 0,836) respectivamente.
Além dos preditores convencionais, a atividade física autorrelatada, a frequência cardíaca
diária média, a variabilidade da pressão arterial ao acordar e a porcentagem de tempo em
hipertensão diastólica foram identificados como importantes contribuintes para a classificação
de RDC.
Portanto, este estudo oferece percepções valiosos sobre a utilização de fontes de dados
inovadoras e algoritmos de aprendizado de máquina em conjunto para a previsão do RDC. Os
resultados ressaltam a importância de uma abordagem abrangente e integrada que incorpora
diferentes aspectos do estilo de vida e parâmetros fisiológicos na avaliação do RDC. Essas
descobertas têm implicações significativas no desenvolvimento de estratégias personalizadas e
mais precisas na prevenção e tratamento de DCV.
É importante salientar que os conjuntos de dados que suportam os resultados deste estudo
não estão disponíveis publicamente devido à proteção de dados pessoais e razões éticas.

35

5 PROPOSTA
Neste capítulo, descrevemos a proposta do trabalho, incluindo os detalhes relevantes para
a elaboração do modelo de aprendizado de máquina e as correlações das variáveis utilizadas.

5.1

FUNDAMENTAÇÃO
Com o avanço da inteligência artificial e do aprendizado de máquina, tornou-se possível

criar modelos de previsão e diagnóstico do risco cardíaco relacionado à SM com maior precisão e
eficiência. Uma proposta viável é utilizar os marcadores da SM e os dados do estudo Framingham
para selecionar o melhor modelo de aprendizado de máquina.
Os marcadores da SM abrangem diversos aspectos, como obesidade abdominal, níveis
elevados de triglicerídeos, baixos níveis de HDL, pressão arterial elevada e glicose elevada
em jejum. Para fundamentar este trabalho, recorremos ao estudo Framingham, um estudo
longitudinal reconhecido por fornecer dados confiáveis sobre os fatores de RDC, tais como
idade, sexo, índice de massa corporal (IMC), tabagismo, colesterol total, HDL-colesterol, pressão
arterial, entre outros.
Com base nas informações e indicadores apresentados, este estudo empregará algoritmos
de aprendizado de máquina. Modelos, tais como Regressão Logística, SVR, KNeighborsRegressor, Árvore de Decisão, Gradient Boosting Regressor e Random Forest Regressor, serão
considerados para a construção de um modelo de previsão do risco cardíaco associado à SM.
Nos cenários 1, 2, 3 e 4, o modelo será treinado utilizando conjuntos de dados de
pacientes que apresentam esses fatores de risco. No que concerne aos experimentos realizados no
cenário 5, o conjunto de dados utilizado compreende a combinação de quatro bancos de dados e
concentra-se primordialmente na diferenciação da presença de cardiopatias.
No sexto e último cenário, faremos uso de uma base de dados que não apenas abrange
alguns dos fatores de risco previamente mencionados, mas também registra eventos cardiovasculares, tais como infarto ou acidente vascular cerebral, conhecido como o conjunto de
Framingham.
Essa abordagem permitirá a identificação e avaliação do risco cardíaco em pacientes
com SM, fornecendo subsídios para a prevenção e o tratamento adequado dessa condição. A
integração dos fatores de RDC e eventos cardiovasculares na análise enriquecerá a capacidade
do modelo em oferecer insights valiosos para a prática clínica e o desenvolvimento de estratégias
de intervenção mais eficazes.

36
Após o treinamento do modelo, ele pode ser aplicado para prever o RDC em pacientes
com marcadores associados à SM. Isso permite que os médicos adotem medidas preventivas para
reduzir esse risco. Além disso, o modelo pode auxiliar no diagnóstico precoce, identificando
os pacientes com maior probabilidade de desenvolver DCV e, consequentemente, necessitando
de um cuidado mais intensivo. Portanto, a utilização de algoritmos de aprendizado de máquina
em conjunto com os marcadores da SM e os dados do estudo Framingham oferece uma solução
eficiente e precisa para a prevenção e diagnóstico do risco cardíaco relacionado à SM.
Figura 2 – Fluxograma aplicado para recomendação do modelo

Fonte: : Elaboração própria (2023)

5.2

HIPÓTESE
A hipótese central deste estudo sustenta que os bioindicadores, que incluem as variáveis

relacionadas à SM de acordo com o critério NCEP-ATP III, e os marcadores do FRS, exercem um
impacto positivo, forte e significativo nos eventos cardiovasculares em pacientes diagnosticados
com SM.
Além disso, considera-se que esses bioindicadores refletem características e condições
que estão diretamente associadas ao desenvolvimento e progressão das DCV em pacientes com
SM. Acredita-se que a presença de componentes da SM, como obesidade abdominal, hipertensão
arterial, dislipidemia e resistência à insulina, juntamente com os fatores de risco identificados
pelo FRS, como idade, sexo, tabagismo e níveis elevados de colesterol, contribuam para um
ambiente propício ao surgimento de eventos cardiovasculares.

37

5.3

RELEVÂNCIA
A SM é uma condição complexa e multifatorial que está associada a um aumento do RCD

e outras complicações de saúde. A identificação precoce de pacientes com SM e o gerenciamento
eficaz de seus fatores de risco são essenciais para prevenir DCV e melhorar a qualidade de vida.
Nesse contexto, a utilização de modelos de ML pode ser uma ferramenta valiosa para prever
o RDC em pacientes com SM e orientar os profissionais de saúde na escolha das melhores
estratégias terapêuticas. Portanto, explorar a precisão dos modelos de ML na previsão de DCV
em pacientes com SM é uma pesquisa relevante e atual, com o potencial de melhorar o cuidado
com os pacientes e reduzir a incidência de DCV.
A utilização de modelos de ML oferece vantagens significativas na área da saúde, pois
permite o processamento de grandes quantidades de dados de forma rápida e precisa. Ao combinar
os marcadores da SM e os marcadore de FRS, nosso estudo busca desenvolver um modelo de
previsão que considere a complexidade e as interações entre os fatores de RDC. Acreditamos que
a utilização desses modelos contribuirá para uma abordagem mais personalizada no cuidado dos
pacientes com SM, permitindo a identificação dos indivíduos com maior risco de desenvolver
DCV e a implementação de intervenções precoces.
Além disso, a aplicação de modelos de ML na previsão de DCV em pacientes com SM
tem implicações clínicas significativas. Ao identificar de forma precisa os pacientes com maior
risco, os profissionais de saúde podem adotar medidas preventivas e personalizadas, como a
prescrição de medicamentos adequados, a implementação de mudanças no estilo de vida e a
adoção de estratégias de acompanhamento mais intensivas. Isso não apenas reduzirá a incidência
de DCV, mas também melhorará a qualidade de vida dos pacientes, reduzindo hospitalizações e
complicações relacionadas a essas condições.
Portanto, a pesquisa proposta tem relevância tanto para a comunidade científica quanto
para a prática clínica. A validação das hipóteses e a obtenção de resultados confiáveis e precisos
no desenvolvimento do modelo de previsão fortalecerão a base de evidências e fornecerão
subsídios para a implementação de estratégias de prevenção e tratamento mais eficazes em
pacientes com SM. Isso terá um impacto positivo na saúde pública, ajudando a reduzir a carga
das DCV e melhorar a qualidade de vida das pessoas afetadas pela SM.

38

6 METODOLOGIA DE EXPERIMENTO
Neste capítulo, será detalhado o processo de desenvolvimento do modelo, incluindo as
etapas envolvidas e as abordagens utilizadas. Serão exploradas técnicas avançadas de análise
de dados e aprendizado de máquina, com o objetivo de identificar padrões e relacionamentos
relevantes para a predição e classificação do RDC.
Além disso, serão descritos os instrumentos e dispositivos que serão utilizados durante
a coleta de dados. Serão adotados métodos precisos e confiáveis de medição, levando em
consideração os parâmetros-chave relacionados à SM e ao RDC.
A utilização dessa metodologia proporcionará uma base sólida para o desenvolvimento
de um modelo preciso, capaz de auxiliar na identificação precoce e no gerenciamento do RDC
em pacientes com SM.

6.1

MÉTODOS
Durante a busca por dados reais para utilização, foram encontrados três datasets relevantes.

O primeiro deles é o "mswithinsulin2", que consiste em 29 colunas e 1.943 linhas. Esse conjunto
de dados contém informações de 693 pacientes diagnosticados com SM e 1.250 pacientes sem
essa condição clínica. Do total, 993 pacientes são do sexo feminino e 950 são do sexo masculino.
A Tabela 1 apresenta os marcadores clínicos disponíveis nesse conjunto de dados. O autor
responsável por este conjunto de dados é Robert Hoyt, MD (HOYT, 2018).
Os dados utilizados para construir o modelo usado nos cenários 1, 2, 3 e 4 foram obtidos
a partir da base de dados "MSWithInsulin.csv", 1 . Esses dados foram extraídos do National
Center for Health Statistics (NHANES) e incluíram informações de pacientes diagnosticados
com SM e pacientes sem a doença, em um período de dez anos.

1

disponível na plataforma: https://data.world/

39
Tabela 1 – Marcadores Clínicos do Dataset mswithinsulin2
Nome do Marcador

Descrição

seqn
age
sex
marital_status
annual_income
race
fname
lname
WaistCirc
BMI
albuminuria
UrAlbCr
UricAcid
GGT
ALT
AST
CPK
HOMA
BloodGlucose
BloodInsulin
HDL
Trigylcerides
smoking
Hypertension
Dyslipidemia_HDL
Dyslipidemia
Hyperglycemia
Obesity
MetabolicSyndrome

Número de sequência da amostra
Idade do paciente em anos
Sexo do paciente (0 = masculino, 1 = feminino)
Estado civil do paciente
Renda anual do paciente
Raça do paciente
Nome do paciente
Sobrenome do paciente
Circunferência da cintura em cm
Índice de massa corporal do paciente
Nível de albuminúria na urina em mg/dL
Razão albumina/creatinina na urina
Nível de ácido úrico no sangue em mg/dL
Nível de gama-glutamiltransferase no sangue em U/L
Nível de alanina aminotransferase no sangue em U/L
Nível de aspartato aminotransferase no sangue em U/L
Nível de creatina quinase no sangue em U/L
Modelo homeostático de avaliação da resistência à insulina (HOMA-IR)
Nível de glicose no sangue em mg/dL
Nível de insulina no sangue em µU/mL
Nível de lipoproteína de alta densidade no sangue em mg/dL
Nível de triglicerídeos no sangue em mg/dL
Status do hábito de fumar do paciente
Status de hipertensão do paciente
Status de dislipidemia de HDL do paciente
Status de dislipidemia do paciente
Status de hiperglicemia do paciente
Status de obesidade do paciente
Status de síndrome metabólica do paciente
Fonte: : Elaboração própria (2023)

Com o intuito de conduzir experimentos com uma base de dados alternativa, no cenário 5
da pesquisa, foi necessário buscar dados reais para a sua utilização. Nesse contexto, identificou-se
um segundo conjunto de dados originalmente composto por 76 atributos. No entanto, conforme
mencionado por (JANOSI, 1988), os experimentos previamente publicados têm se concentrado
em um subconjunto específico de 14 atributos. Esse conjunto de dados, originário do banco de
dados de Cleveland, continua a ser amplamente empregado por pesquisadores de aprendizado de
máquina até os dias atuais.
Com uma amostra populacional composta por 1.190 indivíduos, dos quais 909 são do
sexo feminino e 281 são do sexo masculino, o atributo "objetivo"nesse conjunto de dados está

40
relacionado à presença de cardiopatia nos pacientes, sendo representado por um valor inteiro que
varia de 0 (ausência) a 4.
A Tabela 2 apresenta os dados clínicos disponíveis nesse conjunto de dados. Esses dados
incluem informações relevantes, como idade do paciente, sexo, tipo de dor no peito, pressão
arterial em repouso, níveis de colesterol e glicose em jejum, eletrocardiograma em repouso,
frequência cardíaca máxima atingida, presença de angina induzida pelo exercício, depressão do
segmento ST induzida pelo exercício, inclinação do segmento ST e a presença ou ausência de
cardiopatia.
Tabela 2 – Marcadores Clínicos do Dataset Cleveland, Hungria, Suíça e VA Long Beach
Nome do Marcador

Descrição

age
sex
chest pain type
resting bp s
cholesterol
fasting blood sugar
resting ecg
max heart rate
exercise angina
oldpeak
ST slope
target

Idade do paciente em anos
Sexo do paciente (0 = masculino, 1 = feminino)
Tipo de dor no peito
Pressão arterial em repouso (mm Hg)
Colesterol (mg/dL)
Nível de glicose em jejum (mg/dL)
Eletrocardiograma em repouso
Frequência cardíaca máxima atingida
Angina induzida pelo exercício (0 = não, 1 = sim)
Depressão do segmento ST induzida pelo exercício
Inclinação do segmento ST
Presença de cardiopatia (0 = ausência, 1 = presença)
Fonte: : Elaboração própria (2023)

Os experimentos realizados com o banco de dados de Cleveland têm se focado principalmente na distinção entre a presença de cardiopatia (valores 1, 2, 3, 4) e a sua ausência (valor 0).
A fim de preservar a privacidade dos pacientes, os nomes e números de segurança social foram
recentemente removidos e substituídos por valores fictícios. No diretório do banco de dados,
há um arquivo "processado"que contém os dados já tratados do banco de dados de Cleveland,
enquanto os outros quatro arquivos estão disponíveis sem processamento (JANOSI, 1988).

41
Nos experimentos conduzidos no sexto cenário, empregamos o terceiro conjunto de
dados do projeto, denominado Dataset Framingham. Esse conjunto de dados contém mais de
4.240 registros, dos quais 2.420 são do sexo feminino e 1.820 são do sexo masculino. Dentre os
registros, 2.095 são fumantes e 2.145 são não fumantes. Esses dados estão organizados em 16
colunas e fornecem informações sobre 15 atributos relevantes. O arquivo "framingham.csv"se
refere a esse conjunto de dados, que foi originalmente coletado no estudo de Framingham. Esse
estudo é uma pesquisa epidemiológica renomada sobre DCV, realizada em Framingham, nos
Estados Unidos, a partir de 1948, com o objetivo de identificar os principais fatores de risco
associados a doenças cardíacas (FRAMINGHAM. . . , 2022).
Os dados do conjunto de dados do FRS englobam uma variedade de informações demográficas, clínicas e relacionadas ao estilo de vida dos participantes do estudo de Framingham.
Essas informações abrangem uma ampla gama de variáveis, como idade, sexo, pressão arterial,
níveis de colesterol, histórico familiar de DCV e tabagismo, entre outras. Essa diversidade de dados proporciona uma compreensão abrangente dos indivíduos envolvidos no estudo, permitindo
uma análise mais completa e precisa dos fatores de risco e sua relação com as DCV. A tabela 3
apresenta os marcadores clínicos disponíveis no conjunto de dados do FRS juntamente com suas
descrições correspondentes.
Tabela 3 – Marcadores Clínicos do Dataset Framingham
Nome do Marcador

Descrição

male
age
education
currentSmoker
cigsPerDay
BPMeds
prevalentStroke
prevalentHyp
diabetes
totChol
sysBP
diaBP
BMI
heartRate
glucose
TenYearCHD

Sexo do paciente (0 = feminino, 1 = masculino)
Idade do paciente em anos
Nível de educação
Fumante atual (0 = não, 1 = sim)
Quantidade de cigarros fumados por dia
Uso de medicamentos para pressão arterial (0 = não, 1 = sim)
Presença de histórico de acidente vascular cerebral (0 = não, 1 = sim)
Presença de hipertensão (0 = não, 1 = sim)
Presença de diabetes (0 = não, 1 = sim)
Nível total de colesterol (mg/dL)
Pressão arterial sistólica (mm Hg)
Pressão arterial diastólica (mm Hg)
Índice de Massa Corporal
Frequência cardíaca
Nível de glicose (mg/dL)
Presença de doença cardíaca em 10 anos (0 = ausência, 1 = presença)
Fonte: : Elaboração própria (2023)

Devido à sua importância e relevância, esse conjunto de dados é amplamente utilizado

42
em pesquisas e estudos relacionados a DCV. Ele permite a análise da relação entre os fatores de
risco e o desenvolvimento dessas doenças, auxiliando na identificação de padrões, tendências e
estabelecimento de modelos de previsão e diagnóstico relacionados a problemas cardíacos.
Ao utilizar o arquivo "framingham.csv"como parte do projeto em questão, é possível
explorar e investigar a associação entre os fatores de RDCes e a SM, contribuindo para uma
melhor compreensão e abordagem dessa condição médica específica.

43

6.2

ABORDAGEM PARA O DESENVOLVIMENTO E SELEÇÃO DO MODELO RECOMENDADO
Nesta seção, será exposta a metodologia adotada para o desenvolvimento e seleção do

modelo de aprendizado de máquina mais apropriado para a predição do RDC associado à SM.
6.2.1

Ambiente de Implementação e Ferramentas Utilizadas:
Para a implementação dos algoritmos, foi utilizado um equipamento com uma CPU Intel

Core i7-8700T, que possui 6 núcleos físicos e 12 threads. O sistema conta com uma memória de
16GiB. No que diz respeito ao sistema operacional, utilizamos o Ubuntu 22.04.2 LTS.
Para o desenvolvimento, a escolha foi pelo o ambiente de desenvolvimento Colab, uma
plataforma gratuita fornecida pelo Google. Essa plataforma permite criar e executar códigos em
Python diretamente no navegador, eliminando a necessidade de instalar softwares adicionais
no computador. O Colab é baseado no Jupyter Notebook, o que facilita o compartilhamento e
a colaboração em projetos. Além disso, o Colab oferece recursos avançados, como integração
com serviços de nuvem do Google, incluindo o Google Drive e o Google Cloud. Também
temos acesso gratuito a GPUs, o que acelera significativamente o processamento de dados,
especialmente em tarefas de aprendizado de máquina e ciência de dados.
Com todas essas vantagens, o Colab se mostra uma excelente opção para trabalhar em
projetos de aprendizado de máquina e ciência de dados, proporcionando um ambiente prático,
colaborativo e com recursos poderosos.
Python foi a linguagem de programação escolhida devido à sua disponibilidade no ambiente Colab. É uma linguagem de alto nível, interpretada e orientada a objetos, amplamente
utilizada em diversas áreas, incluindo ciência de dados, aprendizado de máquina, desenvolvimento web e automação de tarefas. A sintaxe clara e simples do Python, juntamente com sua
vasta comunidade de desenvolvedores ativos e a disponibilidade de bibliotecas abrangentes,
tornam essa linguagem uma das mais populares no mundo da programação. Sua curva de aprendizado é considerada amigável para iniciantes. Para obter mais informações, o site oficial 2 é
uma excelente fonte de referência (PEDREGOSA, 2011).
As bibliotecas em Python são conjuntos de módulos que oferecem funções e ferramentas
para realizar tarefas específicas de programação de forma mais rápida e eficiente. Entre as
bibliotecas mais comuns, destacam-se pandas, numpy e scikit-learn, amplamente utilizadas em
áreas como ciência de dados, aprendizado de máquina, processamento de imagens, entre outras.
2

Acesso em: https://www.python.org/ [10 de junho de 2023]

44
Essas bibliotecas são desenvolvidas por membros ativos da comunidade Python e permitem que
os programadores utilizem soluções já testadas e aprimoradas em seus projetos, reduzindo o
tempo de desenvolvimento e aumentando a eficiência do código. Dessa forma, as bibliotecas
em Python facilitam o trabalho dos desenvolvedores, permitindo a criação de soluções mais
sofisticadas e precisas em áreas como inteligência artificial, análise de dados, entre outras
(PEDREGOSA, 2011).
Passo 1: Treinamento e Avaliação de Modelos de ML:
Para a seleção do modelo, baseamos nossa escolha em modelos previamente empregados
em estudos relacionados a esta pesquisa. Adicionalmente, em consonância com as diretrizes
recomendadas em aprendizado de máquina, implementamos um processo estruturado de seleção
e avaliação de modelos, que abrangeu uma série de etapas.
Durante a elaboração deste projeto, realizamos uma abrangente investigação de uma
variedade de modelos de aprendizado de máquina com o intuito de identificar aquele que mais
se alinhasse com os objetivos deste estudo. Para isso, implementamos um pipeline de seleção e
avaliação de modelos. A seguir, apresentamos os modelos que foram submetidos a treinamento e
avaliação:
Regressão Logística: um modelo de classificação que estima a probabilidade de uma
variável de destino pertencer a uma determinada classe. É amplamente utilizado em problemas
de classificação binária (GÉRON, 2017).
SVR: um modelo de regressão que utiliza vetores de suporte para estimar a função
que melhor se ajusta aos dados. É especialmente eficaz em problemas com dados não lineares
(GÉRON, 2017).
KNeighborsRegressor: um modelo de regressão baseado em vizinhos mais próximos,
que estima o valor da variável de destino com base nos valores de suas instâncias vizinhas mais
próximas (GÉRON, 2017).
Árvore de Decisão: um modelo que utiliza uma estrutura de árvore para tomar decisões com base em testes em diferentes atributos. É amplamente utilizado em problemas de
classificação e regressão (GÉRON, 2017).
Gradient Boosting Regressor: um modelo de aprendizagem de máquina que constrói um
conjunto de modelos fracos em sequência, onde cada modelo tenta corrigir os erros do modelo
anterior. É conhecido por sua capacidade de lidar com dados complexos e fornecer previsões de
alta precisão (GÉRON, 2017).
Random Forest Regressor: um modelo que combina várias árvores de decisão para

45
realizar a regressão. Cada árvore individual é treinada em uma amostra aleatória do conjunto de
dados e, em seguida, suas previsões são combinadas para obter uma previsão final mais robusta
(GÉRON, 2017).
Durante os testes desses modelos, conduzimos uma avaliação abrangente de métricas de
desempenho, incluindo precisão, acurácia e erro médio quadrático, a fim de selecionar o que
melhor se adequasse aos nossos requisitos. A escolha final do modelo foi fundamentada em sua
capacidade de fornecer resultados precisos e eficazes na previsão do RDC associado à SM.
Além dos modelos de regressão mencionados anteriormente, também exploramos modelos de classificação durante o desenvolvimento do projeto. Abaixo estão alguns dos modelos de
aprendizagem de máquina testados para classificar o RDC associado à SM:
Regressão Logística: como mencionado anteriormente, este modelo pode ser usado tanto
para problemas de classificação binária quanto para regressão. Na classificação, ele estima a
probabilidade de pertencer a uma determinada classe (GÉRON, 2017).
SVM: um modelo de classificação que mapeia os dados de entrada em um espaço dimensional mais alto e encontra o hiperplano que melhor separa as classes. É eficaz em problemas
com dados não lineares e permite diferentes funções de kernel para lidar com diferentes tipos de
dados (GÉRON, 2017).
KNN: um modelo de classificação que classifica novos pontos de dados com base nas
classes dos vizinhos mais próximos. Ele calcula a distância entre os pontos e seleciona a classe
majoritária dos vizinhos mais próximos (GÉRON, 2017).
Árvore de Decisão: como mencionado anteriormente, este modelo também é usado para
problemas de classificação. Ele constrói uma árvore de decisão com base em testes em diferentes
atributos e classifica os pontos de dados com base nas regras de divisão da árvore (GÉRON,
2017).
Gradient Boosting Classifier: semelhante ao Gradient Boosting Regressor, este modelo
constrói um conjunto de classificadores fracos em sequência, onde cada classificador tenta
corrigir os erros do classificador anterior. É conhecido por sua capacidade de lidar com dados
complexos e fornecer previsões precisas (GÉRON, 2017).
Random Forest Classifier: similar ao Random Forest Regressor, este modelo combina
várias árvores de decisão para realizar a classificação. Cada árvore individual é treinada em uma
amostra aleatória do conjunto de dados e suas previsões são combinadas para obter uma previsão
final mais robusta (GÉRON, 2017).
Durante a avaliação desses modelos, foram utilizdas métricas como acurácia, precisão,

46
recall e F1-score para selecionar aquele que melhor se ajustasse aos nossos requisitos. A escolha
final do modelo de classificação foi baseada em sua capacidade de fornecer previsões precisas e
confiáveis para a classificação do RDC em pacientes com SM.
Após a delimitação dos procedimentos preliminares para a realização dos experimentos no
âmbito do projeto, esta subseção discorrerá sobre o ambiente de implementação e as ferramentas
empregadas no contexto da importação, visualização e pré-processamento dos dados relacionados
aos pacientes com SM e sem SM.
A escolha e configuração de todas as técnicas e modelos mencionados nesta seção foram
fundamentadas na obra "Machine Learning in Python"(PEDREGOSA, 2011), que serviu como
referência para a condução adequada dos estudos.
Passo 2: Importação e Visualização dos Dados
A etapa de Importação e Visualização dos Dados envolve a coleta dos dados relevantes
de várias fontes, como arquivos CSV, bancos de dados ou APIs. Esses dados são carregados no
ambiente de trabalho para serem processados e analisados. Em seguida, ocorre a exploração e
visualização dos dados, utilizando gráficos, tabelas e outras técnicas visuais, a fim de compreender
a estrutura, padrões e relacionamentos presentes nos dados. Essa análise visual permite identificar
tendências, distribuições, outliers e insights importantes. Essa etapa é essencial para obter uma
compreensão inicial dos dados, detectar possíveis problemas e direcionar as próximas etapas
da análise. A importação e visualização dos dados fornecem uma base sólida para a tomada de
decisões e o desenvolvimento de estratégias analíticas adequadas.
Passo 3: Pré-processamento dos Dados
O pré-processamento dos dados é uma etapa essencial na análise de dados, foram utilizadas várias técnicas para garantir a qualidade e a precisão dos resultados. Entre as técnicas
aplicadas, destacam-se a limpeza de dados, a seleção de variáveis relevantes e a transformação
dos dados, quando necessário. A limpeza de dados envolveu a remoção de dados duplicados, o
preenchimento de valores ausentes e a exclusão de dados inconsistentes ou irrelevantes.
Além disso, foram selecionados os marcadores utilizados no estudo de Framingham, através de testes envolvendo tanto os marcadores de identificação da SM quanto os de Framingham.
Essa seleção foi realizada visando prever o desenvolvimento de SM e DCV.
Passo 4: Treinamento de Diversos Modelos
Nesta etapa, o treinamento de diversos modelos de regressão foram realizados com o
objetivo de identificar aquele que apresentasse o melhor desempenho na tarefa de previsão de
DCV em pacientes com SM. Para isso, foi realizada a seleção e separação das features, ou seja,

47
das variáveis que seriam utilizadas na análise dos dados. Além disso, também foram treinados os
algoritmos de classificação mencionados anteriormente nesta seção, aplicando-os para identificar
a presença da doença em questão.
Pipiline foi a técnica de ML utilizada para realizar a avaliação dos diferentes modelos
de aprendizado de máquina. Essa abordagem consiste na aplicação sequencial dos modelos em
etapas consecutivas, o que permite uma comparação direta do desempenho entre eles. A fim de
evitar o overfitting dos modelos aos dados de treinamento e garantir uma avaliação robusta, os
dados foram divididos em conjuntos de treinamento e teste (PEDREGOSA, 2011).
No processo de treinamento dos modelos, foi empregada a técnica de validação cruzada
com um número de folds igual a 5. A validação cruzada é uma estratégia utilizada para estimar o
desempenho do modelo de forma mais precisa, onde o conjunto de dados é dividido em k partes
iguais. Em cada iteração, k-1 partes são usadas como conjunto de treinamento e a parte restante
é utilizada como conjunto de teste. Esse procedimento é repetido k vezes, garantindo que todas
as partes do conjunto de dados sejam utilizadas tanto para treinamento quanto para teste. Dessa
forma, a validação cruzada de 5 proporciona uma avaliação mais robusta e confiável dos modelos
(PEDREGOSA, 2011).
Dessa forma, garantimos que os modelos sejam avaliados de forma imparcial e confiável,
proporcionando resultados confiáveis para a previsão de DCV em pacientes com SM.
Passo 5: Avaliação do Desempenho dos Modelos utilizando Métricas de Classificação
e Regressão
Na etapa de avaliação do desempenho dos modelos, foi utilizada as métricas de regressão,
como o erro médio absoluto, o erro médio quadrático e o coeficiente de determinação. Empregamos a técnica de validação cruzada com 5 folds utilizando o GridSearchCV para buscar os
melhores hiperparâmetros do modelo. Essa técnica foi importante para avaliar o desempenho do
modelo de forma mais robusta e evitar problemas de overfitting e underfitting.
Passo 6: Avaliação Final do Modelo Selecionado
Por fim, realizou-se uma última avaliação do modelo selecionado para assegurar seu
desempenho satisfatório na previsão do RDC em pacientes.
Ao longo deste estudo, além dos experimentos realizados no conjunto de dados mencionado no passo 2, também foram conduzidos experimentos em mais dois conjuntos de dados. Um
deles é o conjunto de dados Framingham, que contém mais de 4.240 registros, 16 colunas e 15 atributos. Seu objetivo é prever o risco de CHD em pacientes para um período de 10 anos. Esse conjunto de dados está disponível no Kaggle (https://www.kaggle.com/datasets/aasheesh200/framingham-

48
heart-study-dataset). O outro conjunto de dados utilizado foi uma combinação de dados de
doenças cardíacas de várias fontes, incluindo pacientes da Cleveland Clinic e Hungria, totalizando 1.190 pacientes. Mais informações sobre esse conjunto de dados podem ser encontradas no repositório de dados de Irvine da Universidade da Califórnia (https://archivebeta.ics.uci.edu/dataset/45/heart+disease) e nos anexos deste estudo (JANOSI, 1988).
Todos os algoritmos criados neste projeto serão disponibilizados nos apêndices deste
trabalho.

6.3

EXPERIMENTOS
Na seção de Experimentos, foram realizadas uma série de avaliações com o intuito

de analisar o desempenho e a eficácia dos modelos propostos. Diferentes conjuntos de dados
foram utilizados, os quais foram importados e devidamente processados. Medidas de préprocessamento foram aplicadas para garantir a qualidade dos dados, incluindo técnicas de
normalização e tratamento de valores ausentes. Em seguida, os modelos foram treinados e
avaliados utilizando métricas apropriadas para problemas de classificação e regressão. Análises
estatísticas e comparações entre os modelos foram conduzidas para identificar aqueles com
melhor desempenho. Os resultados obtidos fornecem insights valiosos sobre a capacidade
preditiva dos modelos e sua adequação para o problema em questão.
Além disso, nesta fase específica da pesquisa, o arquivo "MSWithInsulin.csv"foi utilizado
como o conjunto de dados principal. Os dados foram importados e uma análise detalhada foi
realizada para compreender a estrutura dos dados e identificar possíveis problemas que pudessem
afetar os resultados. Durante esse processo, foram tomados cuidados especiais na inspeção e no
processamento minucioso dos dados importados, garantindo sua integridade e qualidade.
6.3.1

Cenários
Após a normalização dos dados e a etapa de preparação para a implementação dos

algoritmos, foi necessário selecionar os cenários mais adequados para atender às hipóteses e
às propostas iniciais da pesquisa. Esses cenários foram cuidadosamente definidos, levando em
consideração a inclusão das variáveis obrigatórias e a adoção de estratégias apropriadas para a
realização dos experimentos.
Em seguida, os cenários foram estabelecidos para a implementação dos modelos, com
o objetivo de obter resultados preditivos em relação à probabilidade de ocorrência de RDC

49
associado à SM. Essa estrutura de cenários permitiu a exploração de diferentes abordagens e
configurações dos algoritmos, visando alcançar os melhores resultados de predição possíveis.
Dessa forma, a abordagem adotada proporcionou uma análise abrangente e detalhada,
permitindo uma comparação eficiente entre os modelos e a identificação das estratégias mais
eficazes para prever o RDC relacionado à SM.
6.3.2

Cenário 1
Inicialmente, procedeu-se à implementação de um algoritmo para avaliar a relevância

dos marcadores da SM e os marcadores utilizados no FRS no que se refere à previsão do risco
de desenvolvimento de DCV. O objetivo deste estudo foi identificar o RDC em uma população
específica, realizando uma comparação entre indivíduos diagnosticados com SM e aqueles
sem essa condição. Para tanto, utilizou-se o conjunto de dados "mswithinsulin2"proveniente
do National Health and Nutritional Evaluation Survey (NHANES), composto por 29 colunas
e 1.943 linhas. Esse conjunto de dados engloba informações de 693 pacientes diagnosticados
com SM e 1.250 pacientes sem essa condição clínica. Dentre esses, 993 pacientes são do sexo
feminino e 950 são do sexo masculino. Os marcadores empregados nesse conjunto de dados estão
detalhadamente descritos na Tabela 1, a qual abrange variáveis antropométricas, bioquímicas
e hemodinâmicas medidas no estudo. Esses marcadores foram utilizados para identificar a
presença de SM nos participantes. Este experimento, assim como evidências presentes na
literatura, corrobora a associação da SM com um risco elevado de DCV.
Durante a análise do conjunto de dados, constatou-se que a maioria dos marcadores
presentes no FRS estava disponível, com exceção do colesterol total. Com base na tabela
fornecida pelo pelo Ministério da Saúde, disponível em: 3 , um algoritmo foi desenvolvido para
atribuir pontos aos seis marcadores restantes e calcular o RDC dos indivíduos nesse conjunto de
dados.
Após a estratificação dos dados, três colunas adicionais foram acrescentadas ao novo
DataFrame, a saber: RiscoECV (Evento Cardiovascular Maior), Categoria e Doença, com o
propósito de realizar análises estatísticas que contribuíssem para a compreensão do impacto da
relação entre a SM e o RDC. Alguns estudos relacionados já mencionaram essa relação, como
demonstrado na primeira diretriz brasileira, entretanto, até então, não havia um escore de RDC
específico para essa população ou para essa condição diagnosticada nos pacientes. A Figura 3
3

https://linhasdecuidado.saude.gov.br/portal/obesidade-no-adulto/unidade-de-atencao-primaria/planejamentoterapeutico/escore-risco-global-framingham/ acessado: em 13 de junho de 2023

50
representa o DataFrame resultante, que exibe essas novas colunas e os dados relacionados aos
modelos de SM e RFS.

[DataFrame com Marcadores de Risco de Framingham]

[DataFrame com Três Colunas Novas]
Figura 3 – DataFrames dos Modelos de SM e RFS
No estudo de Framingham, que é considerado um dos estudos mais influentes na área
da saúde cardiovascular, diversas doenças cardíacas, como a Doença Cardíaca Isquêmica, Insuficiência Cardíaca, Arritmia Cardíaca e Cardiomiopatia, estão associadas a diferentes níveis
de risco. A escolha da doença específica a ser considerada depende do foco e dos objetivos do
estudo em questão. Por exemplo, a Doença Cardíaca Isquêmica é relevante para analisar o risco
moderado, enquanto a Hipertensão Arterial está associada a um risco mais baixo. A adoção de
medidas preventivas, como a adoção de um estilo de vida saudável e o monitoramento regular,
desempenha um papel crucial na redução do risco dessas condições (National Heart, Lung, and
Blood Institute, 1948).
A abordagem utilizada neste estudo apresenta um potencial promissor para prever o RDC
em indivíduos diagnosticados com SM. Os resultados obtidos neste cenário inicial serviram
como base para o desenvolvimento de experimentos nos próximos cenários, nos quais técnicas
de ML foram aplicadas para recomendar a melhor abordagem de análise e de predição do RDC
associado à SM. O objetivo é contribuir para o desenvolvimento de um modelo ou escore de
predição e diagnóstico da SM, bem como do RDC relacionado a ela.
Com base nos resultados obtidos na primeira etapa do estudo e após a realização das
análises estatísticas, observa-se que a SM pode desempenhar um papel importante não apenas no
desenvolvimento da própria síndrome, mas também no RDC. Nesse sentido, recomenda-se que o
FRS, juntamente com variáveis adicionais, seja investigado em futuros estudos, visando validar,
testar e aprimorar sua eficácia como ferramenta de avaliação. É essencial que essa investigação

51
seja conduzida por uma equipe multidisciplinar em colaboração com instituições hospitalares e
laboratórios, a fim de obter resultados mais robustos e confiáveis.
6.3.3

Cenário 2
Após a condução dos testes necessários no primeiro cenário, constatou-se a viabilidade

da aplicação de técnicas de aprendizado de máquina utilizando o mesmo conjunto de dados para
predizer a SM e, por consequência, desenvolver a estimativa de RDC do indivíduo, tendo a SM
como variável independente e os marcadores do FRS como variáveis dependentes presentes
nesse conjunto de dados.
Considerando essas constatações e almejando atingir os objetivos estabelecidos neste
estudo, foi desenvolvido um algoritmo que utiliza as técnicas mencionadas na subseção 6.2.1
"Ambiente de Implementação e Ferramentas Utilizadas"para selecionar o modelo de aprendizado
de máquina mais apropriado para a predição da SM. Esse processo de seleção utiliza os marcadores de Framingham, os quais são apresentados na Tabela 4 de Marcadores de Framingham,
como base para conduzir os testes e treinamentos dos modelos selecionados.
Tabela 4 – Marcadores de Framingham
Marcadores de Framingham
Sexo
Idade
HDL-C
Colesterol total
Pressão arterial sistólica (PAS) não tratada
Pressão arterial sistólica (PAS) tratada
Fumo
Diabetes
Escore de Risco Global (ERG) de Framingham
Fonte: E score de risco global (ERG) de Framingham:
https://linhasdecuidado.saude.gov.br/portal/obesidade-no-adulto/unidade-de-atencaoprimaria/planejamento-terapeutico/escore-risco-global-framingham/)

6.3.4

Cenário 3
No cenário 3, foram realizados os mesmos procedimentos adotados no cenário 2, porém

utilizando apenas as variáveis relacionadas à SM. Essas variáveis são determinadas de acordo
com o critério NCEP-ATP III, elaborado por um painel de especialistas em saúde dos Estados
Unidos com o propósito de diagnosticar e tratar dislipidemias e outras condições relacionadas à
saúde cardiovascular. É relevante ressaltar que a Organização Mundial da Saúde (OMS) e outras

52
instituições internacionais adotam critérios diagnósticos semelhantes para a SM, os quais incluem
a presença de pelo menos três dos componentes listados na Tabela 5 de Critérios Diagnósticos
para a SM, conforme estabelecido pelo NCEP-ATP III.
É fundamental destacar que as diretrizes clínicas para o diagnóstico e tratamento da SM
estão sujeitas a atualizações ao longo do tempo, sendo essencial que os profissionais de saúde se
mantenham atualizados com as últimas recomendações, a fim de oferecer a melhor assistência
aos pacientes.
Tabela 5 – Critérios Diagnósticos para a SM segundo o (NCEP-ATP III)
Componentes

Níveis

Obesidade abdominal
Triglicerídeos
HDL Colesterol
Pressão arterial
Glicemia de jejum

Homens > 102 cm, Mulher > 88 cm
≥ 150 mg/dL
Homens ≤ 40mg/dL, Mulher ≤ 50 mg/dL
Sistólica ≥ 130 mmHg, Diastólica ≥ 85 mmHg
≥ 110 mg/dL

Fonte: Arquivos Brasileiros de Cardiologia

Fonte: : Elaboração própria (2023)

6.3.5

Cenário 4
Após uma análise individual dos resultados obtidos nos cenários 2 e 3, foi conduzido um

estudo para investigar as relações entre as variáveis por meio de um mapa de calor. O objetivo
principal dessa etapa foi identificar relações interessantes que evidenciassem a influência de uma
variável sobre a outra, especialmente em relação ao alvo em estudo. Para alcançar esse objetivo,
utilizou-se a biblioteca Seaborn para criar uma matriz de correlação que permitiu identificar as
variáveis mais correlacionadas. Essa técnica foi aplicada durante o processo de normalização
dos dados, como ilustrado na Figura 4.

53
Figura 4 – Matriz de Correlação

Fonte: : Elaboração própria (2023)

As relações descobertas revelam informações relevantes sobre a influência mútua das
variáveis, especialmente em relação ao alvo em estudo. A matriz de calor apresenta as correlações entre as variáveis, permitindo uma visualização clara da intensidade dessas relações. A
interpretação das relações leva em consideração a magnitude dos coeficientes de correlação,
em que valores próximos de 1 indicam uma correlação positiva forte, valores próximos de -1
indicam uma correlação negativa forte e valores próximos de 0 indicam uma correlação fraca ou
inexistente (PEDREGOSA, 2011).
Essas descobertas podem fornecer insights valiosos para compreender a interação entre as
variáveis relacionadas à SM e ao FRS, auxiliando na identificação de RDC e no desenvolvimento
de modelos preditivos mais precisos. Além da análise das relações por meio da matriz de
correlação, foi implementado um código para treinar um modelo de regressão usando o algoritmo

54
de Floresta Aleatória, selecionado como o melhor modelo para este experimento (PEDREGOSA,
2011). O objetivo desse modelo é prever a variável dependente "MetabolicSyndrome"com base
nas variáveis independentes presentes no DataFrame "df".
Com base nessa análise exploratória, foram realizados experimentos que consistiram
na integração das variáveis utilizadas no diagnóstico da SM com as variáveis do FRS, com o
objetivo de selecionar o modelo mais adequado para a predição. Dentro desse contexto, foram
executados procedimentos semelhantes, mas direcionados a modelos de classificação, a fim de
determinar se um indivíduo apresenta ou não a condição clínica esperada. Os resultados desses
experimentos serão detalhados na seção de resultados, enquanto o código implementado será
disponibilizado nos apêndices correspondentes a cada cenário específico.
6.3.6

Cenário 5
Nesse contexto, foi utilizado os mesmos procedimentos realizados nos cenários 2, 3 e 4,

empregando um conjunto de dados combinados de doenças cardíacas provenientes de pacientes
de Cleveland-EUA, Hungria, Suíça e VA Long Beach. Os Marcadores Clínicos desse conjunto
de dados estão disponíveis na Tabela 2.
A população do conjunto de dados consiste em um total de 1190 indivíduos, sendo 909
do sexo masculino e 281 do sexo feminino. Seguiremos os passos mencionados na seção 6.2,
"Abordagem para o Desenvolvimento e Seleção do Modelo Recomendado", para selecionar o
melhor modelo nesse conjunto de dados.
A fim de escolher o modelo de aprendizado mais adequado e suas respectivas combinações de variáveis da SM e Framingham para prever o RDC, será necessário ajustar um modelo
aos dados e avaliar seu desempenho utilizando métricas apropriadas.
Dessa forma, poderemos identificar o modelo mais adequado para prever o RDC com
base nas variáveis selecionadas da SM e FRS, seguindo um processo estruturado e robusto de
análise e seleção de modelos. Para alcançar esse objetivo, iniciaremos analisando a importação e
visualização dos dados. Utilizamos a biblioteca Seaborn para criar uma matriz de correlação,
permitindo identificar as variáveis mais correlacionadas. Essa técnica foi aplicada durante o
processo de normalização dos dados, como ilustrado na Figura 5.

55
Figura 5 – Matriz de Correlação DataSet: Cleveland, Hungria, Suíça e VA Long Beach

Fonte: : Elaboração própria (2023)

A matriz de correlação é uma representação tabular que mostra as correlações entre pares
de variáveis em um conjunto de dados. Cada célula da matriz contém um valor que varia de -1 a
1, indicando a força e a direção da correlação.
Valores próximos de 1 indicam uma correlação positiva forte, o que significa que as
variáveis tendem a se mover na mesma direção. Por outro lado, valores próximos de -1 indicam
uma correlação negativa forte, indicando que as variáveis tendem a se mover em direções opostas.
Valores próximos de 0 indicam uma correlação fraca ou inexistente entre as variáveis.
Ao analisar o mapa de calor da matriz de correlação, é possível identificar padrões e
relações entre as variáveis. Variáveis fortemente correlacionadas podem indicar uma dependência
mútua ou uma relação causal entre elas. Por exemplo, se houver uma alta correlação positiva
entre a pressão arterial e o colesterol, isso sugere que essas variáveis estão relacionadas e podem
afetar uma à outra.

56
Com base na matriz de correlação fornecida, podemos resumir a relação das variáveis da
SM e Framingham em relação ao alvo (target) das seguintes formas:
• Variáveis com correlação fraca com o alvo:
– Idade (age): A idade apresenta uma correlação fraca positiva com o alvo. Isso significa
que, em média, o aumento da idade está levemente associado a um aumento no RDC.
• Variáveis com correlação moderada com o alvo:
– Sexo (sex): O sexo apresenta uma correlação moderada positiva com o alvo. Isso
indica que existe uma relação um pouco mais significativa entre o sexo e o RDC,
sugerindo que os homens podem ter um risco ligeiramente maior do que as mulheres.
– Tipo de dor no peito (chest pain type): O tipo de dor no peito apresenta uma correlação
moderada positiva com o alvo. Isso sugere que certos tipos de dor no peito podem
estar associados a um aumento do RDC.
– Angina induzida por exercício (exercise angina): A presença de angina induzida por
exercício apresenta uma correlação moderada positiva com o alvo. Isso indica que a
presença dessa condição está relacionada a um maior RDC.
• Variáveis com correlação forte com o alvo:
– Oldpeak: A depressão do segmento ST induzida pelo exercício apresenta uma correlação forte positiva com o alvo. Isso significa que um maior valor de depressão do
segmento ST está fortemente associado a um aumento do RDC.
É importante ressaltar que a força da correlação pode variar dependendo do contexto e
dos critérios de interpretação. A análise realizada aqui é baseada exclusivamente na magnitude
das correlações presentes na matriz fornecida.
Os resultados desses experimentos serão detalhados na seção de resultados, enquanto
o código implementado será disponibilizado nos apêndices correspondentes a cada cenário
específico.
6.3.7

Cenário 6
O terceiro conjunto de dados utilizado neste projeto é o Framingham, que é composto

por mais de 4.240 registros, sendo 2.420 do sexo feminino e 1.820 do sexo masculino. Entre
esses registros, 2.095 correspondem a fumantes e 2.145 são não fumantes. Esse conjunto

57
de dados possui 16 colunas e fornece informações relevantes sobre 15 atributos. O arquivo
"framingham.csv"contém os dados coletados no renomado Estudo de Framingham, uma pesquisa
epidemiológica sobre DCV realizada em Framingham, Estados Unidos, a partir de 1948. O
objetivo desse estudo foi identificar os principais fatores de risco associados a doenças cardíacas
(Ministério da Saúde, 13 de junho de 2023).
Durante o processo de normalização dos dados, foi observado que o conjunto de dados
continha um número considerável de valores ausentes. Por esse motivo, optou-se por remover as
linhas que continham esses valores ausentes, visando garantir a integridade dos dados utilizados
para fins acadêmicos e de pesquisa. Após essa remoção, o conjunto de dados foi reduzido para
3658 observações (linhas) e 16 variáveis (colunas), indicando que 582 linhas foram excluídas
devido à presença de pelo menos um valor ausente.
É importante ressaltar que a estratégia de exclusão das linhas com valores ausentes pode
ser adequada, dependendo do contexto e dos objetivos da análise. No entanto, é necessário
considerar que essa exclusão pode acarretar na perda de informações e possivelmente introduzir
viés nos resultados da análise. Portanto, é fundamental avaliar cuidadosamente os efeitos dessa
remoção nos dados e nas análises subsequentes.
Antes da exclusão das linhas com valores ausentes, o conjunto de dados continha 2420
registros para indivíduos do sexo feminino (0) e 1820 registros para indivíduos do sexo masculino
(1), assim como 2145 registros para não fumantes (0) e 2095 registros para fumantes (1). Após a
exclusão, verificou-se que o conjunto de dados reduzido contém 2035 registros para indivíduos
do sexo feminino e 1623 registros para indivíduos do sexo masculino, assim como 1869 registros
para não fumantes e 1789 registros para fumantes. Essa diferença na contagem de registros reflete
o impacto da exclusão das linhas com valores ausentes nos dados, incluindo a distribuição dos
registros entre os sexos. Seguindo a mesma abordagem de apresentação dos resultados, o código
do modelo está disponível no respectivo apêndice do cenário 6, e os resultados são apresentados
na seção de resultados.

58

7 ANÁLISE DOS RESULTADOS DOS MODELOS DE REGRESSÃO E CLASSIFICAÇÃO NA PREDIÇÃO DE RDC ASSOCIADO A SM
O objetivo desta pesquisa é desenvolver e avaliar modelos de regressão e classificação
capazes de prever o RDC associado à presença da SM. A SM, caracterizada pela coexistência
de fatores de RDCes como obesidade central, hipertensão arterial, dislipidemia e resistência à
insulina, tem sido reconhecida como um importante preditor de complicações cardiovasculares
em indivíduos. Nesse sentido, identificar e quantificar adequadamente o RDC relacionado à SM
é fundamental para uma intervenção precoce e eficaz.
No entanto, apesar da relevância clínica dessa associação, ainda há lacunas no conhecimento sobre o desenvolvimento de escore e/ou modelos de aprendizado de máquina específicos
para a predição do RDC em pacientes com SM (BRANDÃO, 2005) e (PRECOMA, 2019). Dessa
forma, esta pesquisa busca preencher essa lacuna, desenvolvendo modelos robustos e avaliando
sua capacidade de prever com precisão o RDC em pacientes com SM.
Ao estabelecer esses modelos preditivos, espera-se que este estudo forneça insights
valiosos para a identificação precoce de indivíduos com maior RDC, permitindo intervenções
preventivas personalizadas e direcionadas. Além disso, os resultados obtidos podem contribuir
para aprimorar a estratificação de risco e a tomada de decisão clínica, auxiliando na redução da
morbidade e mortalidade associadas às complicações cardiovasculares na população afetada pela
SM.
Para embasar essa pesquisa, serão utilizadas informações de estudos prévios sobre a
prevalência da SM e seus fatores de RDCes, bem como referências a modelos de regressão e
predição em outros contextos relacionados à saúde cardiovascular. Essas referências fornecerão
um alicerce sólido para a pesquisa e demonstrarão a relevância e a contribuição original deste
estudo para o campo da medicina cardiovascular e metabólica.
Nesta seção, serão apresentados os resultados obtidos em relação aos cenários propostos,
bem como a comparação com os modelos de aprendizagem de máquina implementados nesta
pesquisa. É importante destacar que, devido à normalização dos dados, houve um impacto
significativo na quantidade de pacientes do banco de dados do estudo de Framingham. Foram
identificadas duplicações, valores ausentes e/ou valores fora dos padrões estabelecidos para
determinadas propostas do conjunto de dados.
Apesar dos desafios enfrentados, os resultados obtidos foram considerados satisfatórios.
Os algoritmos propostos puderam ser aplicados com sucesso e sua descrição detalhada será
apresentada a seguir, estando os códigos disponíveis no apêndice deste trabalho. Os resultados

59
serão apresentados de acordo com a sequência estabelecida para cada cenário de experimento
realizado.

7.1

CENÁRIOS: RESULTADOS DOS EXPERIMENTOS
Com os dados devidamente normalizados e disponíveis para a implementação dos algorit-

mos, foram delineados cenários que atendessem às hipóteses e propostas iniciais, considerando a
utilização das variáveis relevantes para o objetivo deste trabalho.
Nesse sentido, a estrutura dos cenários adotados compreende o Cenário 1, no qual foi
aplicado o algoritmo de estratificação baseado na atribuição de pontos, seguindo como orientação
o sistema de risco global disponibilizado pelo Ministério da Saúde. O objetivo desse cenário
foi obter resultados preditivos em relação à probabilidade de um paciente apresentar RDC nos
próximos 10 anos, conforme as pontuações atribuídas aos marcadores utilizados no FRS.
Nos Cenários 2, 3 e 4, foi empregado o mesmo conjunto de dados utilizado no Cenário 1,
devido à inclusão das variáveis relevantes tanto para a SM quanto para o FRS. Nestes experimentos, foram aplicadas técnicas de algoritmos de aprendizado de máquina previamente mencionados
na seção de metodologia experimental, com o propósito de estimar o RDC relacionado à SM.
Os Cenários 5 e 6 seguiram os mesmos procedimentos realizados nos Cenários 2, 3 e 4,
respectivamente, porém utilizando conjuntos de dados distintos. Os resultados obtidos nesses
cenários serão devidamente apresentados e explicados em suas respectivas seções.

7.2

ANÁLISE E RESULTADOS DO CENÁRIO 1: ESTATÍSTICAS DESCRITIVAS DO RDC NA POPULAÇÃO GERAL E NAS SUBPOPULAÇÕES
COM E SEM SM
Neste estudo, adotou-se o algoritmo de estratificação baseado na atribuição de pontos,

conforme as diretrizes estabelecidas pelo Ministério da Saúde, com o propósito de avaliar de
forma precisa o RDC. Entretanto, o foco principal desta pesquisa foi a análise da associação entre
a SM e o RDC. Para essa investigação, utilizou-se o conjunto de dados denominado "mswithinsulin2", proveniente do National Health and Nutritional Evaluation Survey (NHANES), que
é composto por 29 colunas e 1.943 linhas. É importante ressaltar que esse conjunto de dados
foi apresentado detalhadamente na seção de metodologia, especificamente no cenário 1 do
experimento.
Embora este experimento em particular não tenha explorado o uso de técnicas de IA, a
análise dos marcadores fornecerá informações valiosas sobre a relação entre à SM e o RDC.

60
A compreensão dessa relação é fundamental para o avanço do conhecimento na área e para o
desenvolvimento de estratégias de prevenção e tratamento mais eficazes.
7.2.1

Apresentação e Análise dos Resultados Obtidos
Apesar da não recomendação de utilização do FRS para prever o RDC nessa população,

conforme destacado por (BRANDÃO, 2005), foi possível identificar os pacientes com risco baixo,
moderado ou alto por meio dos gráficos, mesmo considerando a ausência do colesterol total
como indicador no escore de FRS desse conjunto de dados. A FIGURA 6 apresenta o resultado
do algoritmo aplicado à população geral do conjunto de dados, evidenciando a distribuição dos
pacientes em relação aos diferentes níveis de risco. Além disso, a FIGURA 7 exibe o resultado
do algoritmo aplicado à população sem SM do conjunto de dados, permitindo a visualização
da distribuição do RDC nesse subgrupo específico. Por fim, a FIGURA 8 ilustra o resultado do
algoritmo aplicado à população com SM do conjunto de dados, proporcionando insights sobre
a associação entre essa condição clínica e o RDC. Essas informações são fundamentais para
compreender a relação entre os fatores de risco e o desenvolvimento de eventos cardiovasculares
nessa população específica.
Figura 6 – Quantidade por categoria da população geral do Dataset com risco Alto, Moderado e
Baixo

Fonte: Elaboração própria (2023)

61
Figura 7 – Quantidade por categoria da população sem SM do Dataset com risco Alto, Moderado
e Baixo

Fonte: Elaboração própria (2023)

Figura 8 – Quantidade por categoria da população com SM do Dataset com risco Alto, Moderado
e Baixo

Fonte: Elaboração própria (2023)

62
A FIGURA 9 ilustra a distribuição das categorias de RDC nas populações analisadas,
oferecendo insights valiosos sobre a proporção de indivíduos em cada categoria.
Figura 9 – Distribuição das Categorias nas Populações

7.2.2

Resultados e Avaliação do Cenário 1: Estatísticas Descritivas do RDC nas Populações
Geral, sem SM e com SM
As estatísticas descritivas do RiscoECV nas diferentes populações revelaram informações

relevantes sobre a distribuição desse RDC. Na população geral, composta por 1943 indivíduos,
a média do RiscoECV foi de 3.974, com um desvio padrão de 6.018. A menor pontuação
registrada foi de 0.5, enquanto a maior foi de 30. As estatísticas de quartis mostraram que 25%
dos indivíduos apresentaram um RDC abaixo de 1.2, 50% tiveram um risco abaixo de 1.6 e 75%
apresentaram um risco inferior a 3.3.
Ao analisar a população sem SM, composta por 1250 indivíduos, constatou-se que a
média do RiscoECV foi de 3.077, com um desvio padrão de 4.469. As estatísticas de quartis para
essa população foram semelhantes às da população geral. Já na população com SM, composta
por 693 indivíduos, a média do RiscoECV foi de 5.592, com um desvio padrão de 7.844. A
pontuação mínima registrada foi de 1, enquanto a máxima foi de 30. Os quartis revelaram que
25% dos indivíduos tiveram um RDC abaixo de 1.2, 50% abaixo de 1.6 e 75% abaixo de 5.3.
Ao comparar as médias do RiscoECV entre as populações, observou-se uma diferença
percentual de 81.74%. Essa diferença indica que a população com SM apresentou uma média de

63
RDC significativamente maior em comparação com a população geral.
No grupo, que representa a população masculina, foram calculadas as estatísticas descritivas para a variável "RiscoECV", que mede o RDC. Com base nos resultados, a média de RDC
foi de 5.851, com um desvio padrão de 7.709. A menor medida de risco foi de 1.100 e a maior
medida foi de 30.000. A distribuição dos dados revelou que 25% dos indivíduos apresentaram
um RDC abaixo de 1.600, enquanto 50% apresentaram um risco abaixo de 1.900 e 75% abaixo
de 5.600.
Já no grupo, que representa a população feminina, também foram calculadas as estatísticas
descritivas para a variável "RiscoECV". A média de RDC encontrada foi de 2.178, com um
desvio padrão de 2.732. A menor medida de risco foi de 0.500 e a maior medida foi de 24.800.
A distribuição dos dados revelou que 25% das mulheres apresentaram um RDC abaixo de 1.200,
enquanto 50% apresentaram um risco abaixo de 1.200 e 75% abaixo de 2.000.
Esses resultados indicam que, na amostra analisada, os homens apresentaram, em média,
um RDC maior em comparação com as mulheres. Além disso, a dispersão dos valores de risco
também foi maior no grupo masculino, evidenciada pelo desvio padrão mais elevado.
É importante ressaltar que esses resultados são específicos para a amostra analisada e
não podem ser generalizados para toda a população. No entanto, eles fornecem indícios de que o
gênero pode desempenhar um papel na predisposição ao RDC na SM. Estudos adicionais são
necessários para uma compreensão mais abrangente dessa relação e para identificar os fatores
específicos que contribuem para essas diferenças de risco entre homens e mulheres.
Esses resultados sugerem que a presença da SM está associada a um aumento do RDC.
Essa informação é relevante para o desenvolvimento de estratégias de prevenção e tratamento direcionadas a essa população específica, visando reduzir os potenciais problemas cardiovasculares
associados à SM.

7.3

ANÁLISE E RESULTADOS DO CENÁRIO 2: SELEÇÃO DO MELHOR
MODELO DE ML UTILIZANDO OS MARCADORES DO FRS

7.3.1

Introdução e Contextualização do Cenário de Resultados Obtidos
Em conformidade com os procedimentos recomendados na seção de metodologia do

experimento, buscamos desenvolver um modelo de aprendizado de máquina para selecionar
o melhor modelo de regressão na predição da SM. Como mencionado anteriormente, a SM é
considerada um preditor para determinar se um paciente possui um risco elevado de desenvolvê-la
e, consequentemente, um RDC associado a essa condição. Além disso, também foi desenvolvido

64
um modelo de classificação com as mesmas técnicas para o diagnóstico da presença da SM.
No contexto da regressão, o modelo RF foi identificado como o mais adequado neste
cenário. Utilizando apenas as variáveis disponíveis no FRS, esse modelo obteve o melhor desempenho na predição da SM. Vale ressaltar que, embora a variável de colesterol total não estivesse
presente no conjunto de dados, as outras seis variáveis utilizadas no FRS desempenharam um
papel importante nos experimentos e permitiram atingir o objetivo desta pesquisa. A análise
detalhada dos resultados, considerando métricas de desempenho específicas, proporcionará uma
interpretação mais precisa e conclusões relevantes acerca do modelo de regressão.
Por outro lado, no que diz respeito à classificação, o modelo RandomForestClassifier,
também utilizando as mesmas variáveis do FRS, foi selecionado como o mais adequado para
diagnosticar a presença da SM. A avaliação do desempenho desse modelo, considerando métricas
específicas de classificação, fornecerá informações valiosas sobre a capacidade de identificação
correta da presença ou ausência da SM.
Nos próximos trechos, apresentaremos os resultados obtidos para o modelo de regressão,
fornecendo detalhes sobre as métricas de desempenho e interpretação dos resultados. Em seguida,
abordaremos os resultados encontrados para o modelo de classificação, com uma análise similar.
Essa abordagem nos permitirá tirar conclusões mais robustas e relevantes acerca da capacidade
preditiva e diagnóstica dos modelos desenvolvidos neste estudo.
7.3.1.1

Seleção do Melhor Modelo de Regressão
O primeiro passo consistiu na criação de pipelines para os modelos utilizados nesta

pesquisa, com o objetivo de selecionar o melhor entre eles. Os modelos considerados foram
os seguintes: LR, DT, RF, GBM, SVM e KNN. Cada modelo foi incorporado em um pipeline,
sendo identificado como ’Regressor’. Através da avaliação comparativa, buscou-se identificar o
modelo com melhor desempenho para a predição da SM. A FIGURA 10 apresenta o gráfico que
detalha o melhor modelo obtido.

65
Figura 10 – Desempenho dos Modelos de Regressão Utilizando Marcadores de Framingham

Fonte: Elaboração própria (2023)

Após a seleção do melhor modelo, a etapa de treinamento é realizada utilizando o modelo
escolhido, neste caso o RandomForestRegressor(). Para isso, uma instância do modelo é criada e
as variáveis independentes (X) e a variável dependente (y) são separadas do DataFrame "data".
Em seguida, o modelo é ajustado aos dados de treinamento por meio da função fit().
Uma vez concluído o treinamento, são avaliadas as importâncias das características
(feature-importances) fornecidas pelo modelo. Essas importâncias revelam o grau de contribuição
de cada variável independente na previsão da variável dependente. É importante destacar que
essas importâncias são calculadas com base na análise do modelo e refletem a relevância das
características no processo de predição.
As importâncias das características são então impressas, permitindo uma visualização
clara e objetiva da contribuição de cada variável independente. Esse aspecto é fundamental para
compreender quais características têm maior influência na previsão da variável dependente e
auxiliar na interpretação dos resultados obtidos pelo modelo.
Dessa forma, a análise das importâncias das características proporciona insights valiosos
sobre quais variáveis têm maior poder de explicação e influência no processo de previsão,
contribuindo para o entendimento do funcionamento do modelo e para a tomada de decisões
embasadas nos resultados obtidos. O gráfico resultante é exibido utilizando a função plt.show(),
como demonstrado na FIGURA11.

66
Figura 11 – Gráfico de Importância das Características de Regressão Utilizando Marcadores de
Framingha

Fonte: Elaboração própria (2023)

O modelo escolhido é o RF, e os resultados são expostos por meio de métricas de
desempenho, que englobam o R2 Score, Mean Absolute Error, Mean Squared Error e Root Mean
Squared Error. A tabela 6 exibe os resultados alcançados pelo modelo mais bem-sucedido neste
experimento.
O R2 Score é uma medida de quão bem o modelo se ajusta aos dados, variando de 0 a 1,
sendo 1 o ajuste perfeito. No caso do modelo RF, o R2 Score obtido foi de 0.627778, indicando
que aproximadamente 62,78% da variabilidade dos dados foi explicada pelo modelo.
O MAE é a média dos erros absolutos entre as previsões do modelo e os valores reais.
Neste caso, o MAE foi de 0.166823, o que significa que, em média, as previsões do modelo
apresentaram um desvio absoluto de aproximadamente 0.166823 unidades em relação aos valores
reais.
O MSE é a média dos erros quadrados entre as previsões do modelo e os valores reais.
Para o modelo RF, o MSE foi de 0.0834469, indicando que, em média, o quadrado das diferenças
entre as previsões e os valores reais foi de aproximadamente 0.0834469 unidades.
O RMSE é a raiz quadrada do MSE e fornece uma medida do desvio padrão dos erros do
modelo. No caso do modelo RF, o RMSE foi de 0.288872, o que significa que, em média, os
erros do modelo apresentaram um desvio padrão de aproximadamente 0.288872 unidades em
relação aos valores reais.
Esses resultados fornecem uma avaliação do desempenho do modelo RF na predição

67
da SM. Quanto mais próximo de 1 for o R2 Score e menor forem o MAE, o MSE e o RMSE,
melhor será o desempenho do modelo. Portanto, com base nos resultados apresentados, o modelo
RF mostrou-se promissor na tarefa de predição da SM neste experimento.
Tabela 6 – Resultados dos modelos de regressão
Modelo
RF

7.3.1.2

R2 Score
0.62

Mean Absolute Error
0.16

Mean Squared Error
0.08

RMSE
0.28

Seleção do Melhor Modelo de Classificação
Com o propósito de selecionar o modelo de classificação mais adequado para o diagnós-

tico da SM, os experimentos realizados nos quatro primeiros cenários incorporaram pipelines
para cada um dos modelos considerados: LR, DT, RF, GBM, SVM e KNN.
Esses pipelines foram cuidadosamente projetados para garantir a padronização do préprocessamento dos dados e a aplicação consistente das etapas de treinamento e teste em cada
modelo. Posteriormente, os modelos foram submetidos a uma avaliação abrangente utilizando
métricas apropriadas para problemas de classificação, com o objetivo de identificar aquele que
apresenta a melhor capacidade de diagnóstico da SM.
A implementação dos modelos de classificação é minuciosamente descrita no código
fornecido no Apêndice A, na seção dedicada ao Cenário 2, que concentra-se na seleção do
modelo de classificação mais eficaz para o diagnóstico da SM. A análise dos resultados obtidos
será apresentada a seguir, fornecendo uma visão aprofundada do desempenho e das capacidades
de diagnóstico de cada modelo. A FIGURA 12 apresenta o gráfico que detalha o melhor modelo
de classificação obtido.

68
Figura 12 – Desempenho dos Modelos de Classificação Utilizando Marcadores de Framingham

Fonte: Elaboração própria (2023)

A fim de visualizar as importâncias das características nos modelos de classificação,
o mesmo procedimento mencionado na seleção do melhor modelo de regressão foi aplicado.
Utilizou-se o código que faz uso da biblioteca pandas para criar uma série denominada "featimportances", a qual associa as importâncias das características aos nomes das colunas em X,
representando as variáveis independentes.
Em seguida, foram selecionadas as características com as maiores importâncias e um
gráfico de barras horizontais foi gerado para representar essas importâncias. Esse gráfico fornece
uma representação visual das principais variáveis que contribuem para a previsão do diagnóstico
da SM.
Para apresentar o resultado, utilizou-se a função plt.show(), possibilitando a exibição do
gráfico resultante. Esse gráfico permite uma análise intuitiva das importâncias das características,
facilitando a identificação das variáveis mais relevantes para o modelo de classificação.
A FIGURA 13 ilustra o gráfico gerado, demonstrando de forma clara e concisa as importâncias das características nos modelos de classificação. Essa análise auxilia na compreensão das
variáveis que exercem maior influência na classificação da SM, contribuindo para a interpretação
dos resultados obtidos e fornecendo insights relevantes para futuras investigações.

69
Figura 13 – Gráfico de Importância das Características de Classificação Utilizando Marcadores
de Framingha

Fonte: Elaboração própria (2023)

Os resultados obtidos revelaram que o modelo de classificação RF demonstrou o melhor
desempenho na tarefa de diagnóstico da SM. Os parâmetros ótimos encontrados para este modelo
foram um valor de ’max-depth’ igual a 7 e um número de estimadores (’n-estimators’) igual a
100.
A acurácia alcançada pelo melhor modelo foi de 0.884, o que indica que ele foi capaz de
classificar corretamente aproximadamente 88.4% das amostras. Ao analisar a métrica de precisão,
verificou-se que o modelo obteve uma taxa de 0.90 para a classe 0 (indicando a ausência da SM)
e 0.84 para a classe 1 (indicando a presença da SM). Esses valores demonstram que o modelo
apresentou uma boa capacidade de identificar corretamente os casos negativos e positivos.
Ao avaliar a métrica de recall, que indica a taxa de verdadeiros positivos, observou-se
um valor de 0.92 para a classe 0 e 0.81 para a classe 1. Isso indica que o modelo foi capaz de
recuperar a grande maioria dos casos da classe 0, porém apresentou um desempenho ligeiramente
inferior na identificação dos casos da classe 1.
A métrica de f1-score, que combina as métricas de precisão e recall, alcançou um valor
de 0.91 para a classe 0 e 0.83 para a classe 1. Esses resultados indicam um bom equilíbrio entre
precisão e recall para ambas as classes.
Em resumo, o modelo de classificação RF, utilizando os parâmetros ’max-depth’ igual a
7 e ’n-estimators’ igual a 100, demonstrou um desempenho satisfatório no diagnóstico da SM.

70
Com uma acurácia de 0.884 e métricas de precisão, recall e f1-score competitivas para ambas as
classes, esses resultados reforçam a eficácia da abordagem de classificação na predição da SM
com base nas características consideradas neste estudo.
Além disso, foi gerada uma curva ROC para avaliar o desempenho do modelo. Essa curva
representa a taxa de FPR em relação à taxa de TPR. A análise dessa curva permite verificar a
capacidade do modelo em distinguir corretamente as classes. Ao calcular a AUC, obteve-se um
valor de 0.94, indicando uma boa capacidade de classificação do modelo.
A FIGURA 14 apresentada ilustra a curva ROC gerada, que demonstra visualmente a
relação entre FPR e TPR. Essa figura complementa os resultados obtidos e reforça a capacidade
do modelo de classificação RF em diagnosticar a SM com base nas características analisadas.
Esses resultados indicam que o modelo RF é uma ferramenta promissora para auxiliar
no diagnóstico e na predição da SM, proporcionando uma abordagem eficaz e precisa para a
predição dessa condição clínica.
Figura 14 – Curva ROC do Modelo RF (Floresta Aleatória) com Marcadores de Framingham

Fonte: Elaboração própria (2023)

Ao traçar a curva ROC foi possível visualizar a relação entre a taxa de falsos positivos e
a taxa de verdadeiros positivos. A área AUC foi calculada em 0.94, indicando um desempenho
geralmente bom do modelo na classificação das amostras.
Em conclusão, o modelo de classificação RF apresentou um desempenho satisfatório no
diagnóstico da SM, com métricas de desempenho competitivas e uma curva ROC que demonstrou

71
alta capacidade de distinção entre as classes. Esses resultados reforçam a eficácia da abordagem
de classificação utilizada para a predição da SM com base nas características consideradas neste
estudo. Para complementar a avaliação do modelo, também foi gerada a matriz de confusão,
uma representação tabular que permite analisar o desempenho do modelo de classificação. A
FIGURA 15 apresenta a representação gráfica da matriz de confusão.
Na interpretação da matriz de confusão, os seguintes resultados são observados:
Na classe 0 (ausência da SM), o modelo classificou corretamente 237 amostras e erroneamente 20 amostras.
Na classe 1 (presença da SM), o modelo classificou corretamente 107 amostras e erroneamente 25 amostras. A matriz de confusão fornece uma visão geral do desempenho do
modelo em termos de acertos e erros para cada classe. Essas informações são úteis para avaliar a
capacidade do modelo de distinguir corretamente entre as classes e identificar possíveis erros de
classificação.
Figura 15 – Matriz de Confusão do Modelo RF (Floresta Aleatória) Utilizando Marcadores de
Framingham

Fonte: Elaboração própria (2023)

72
7.3.2 Resultados e Avaliação dos Modelos de Regressão e Classificação no Cenário 2: Predição
da SM utilizando o RFS
No cenário 2, foram explorados os modelos de regressão e classificação para a análise
dos marcadores de Framingham na predição da SM. O modelo de regressão RF apresentou um
desempenho satisfatório, sendo capaz de prever com precisão a variável dependente contínua
associada à SM. Por outro lado, o modelo de classificação RF demonstrou ser a melhor abordagem
para o diagnóstico e predição da presença ou ausência da SM, apresentando uma acurácia de
0.884 e métricas de precisão, recall e f1-score competitivas para ambas as classes.
Esses resultados confirmam a eficácia dos modelos de regressão e classificação no contexto da SM, fornecendo informações valiosas para a identificação e predição dessa condição
clínica. A análise da importância das características, a curva ROC e a matriz de confusão complementaram a avaliação dos modelos, fornecendo uma visão mais abrangente do desempenho e
capacidade discriminativa dos mesmos.
Em suma, o cenário 2 evidencia a utilidade dos modelos de regressão e classificação,
destacando o papel dos marcadores de Framingham na predição da SM. Esses resultados têm
implicações significativas para a prática clínica, permitindo uma abordagem mais precisa e
efetiva no diagnóstico e prevenção dessa condição.

7.4

ANÁLISE E RESULTADOS DO CENÁRIO 3: SELEÇÃO DO MELHOR
MODELO DE ML UTILIZANDO OS MARCADORES DA SM
No cenário 3, a apresentação dos resultados segue a mesma abordagem adotada no

cenário anterior. Além disso, foram empregados os mesmos procedimentos utilizados no cenário
2, com a distinção de que foram consideradas apenas as variáveis relacionadas à SM, conforme
definido pelo critério NCEP-ATP III. Esse critério foi desenvolvido por um painel de especialistas
em saúde dos Estados Unidos com o objetivo de diagnosticar e tratar dislipidemias e outras
condições associadas à saúde cardiovascular. É relevante ressaltar que a Organização Mundial da
Saúde (OMS) e outras instituições internacionais adotam critérios diagnósticos semelhantes para
a SM, os quais englobam a presença de pelo menos três dos componentes listados na Tabela 5 de
Critérios Diagnósticos para a SM, conforme estabelecido pelo NCEP-ATP III.
7.4.1

Seleção do Melhor Modelo de Regressão
A seleção do melhor modelo de regressão foi realizada seguindo o procedimento descrito

no Apêndice, na seção "Código: Experimentos no Cenário 2 - Regressão". Para realizar os

73
experimentos com os marcadores específicos, as variáveis relevantes foram selecionadas a partir
do DataFrame original. O processo de seleção consiste em criar um novo DataFrame contendo
apenas as variáveis desejadas.
No contexto do cenário 3, a seleção cuidadosa das variáveis relevantes é fundamental para
a obtenção de um modelo de aprendizado de máquina eficaz. Através desse processo, é possível
concentrar a análise nas variáveis mais relevantes para a SM, contribuindo para resultados mais
precisos e interpretações mais robustas. A FIGURA 16 apresenta o gráfico que detalha o melhor
modelo obtido.
Figura 16 – Desempenho dos Modelos de Regressão Utilizando Marcadores da SM

Fonte: Elaboração própria (2023)

A análise das importâncias das características desempenha um papel fundamental na
compreensão da contribuição de cada variável independente no processo de previsão. Essa
análise permite visualizar de forma clara e objetiva a influência de cada variável na variável
dependente, proporcionando insights valiosos sobre quais características têm maior poder de
explicação e influência no modelo.
A interpretação dos resultados obtidos pelo modelo de aprendizado de máquina é enriquecida pela análise das importâncias das características. Com base nessa análise, é possível
compreender quais variáveis são mais relevantes para a previsão e, assim, tomar decisões embasadas nos resultados.
A representação gráfica das importâncias das características é exibida utilizando a função

74
plt.show(), como ilustrado na FIGURA 17. Essa visualização fornece uma representação visual
do impacto de cada variável e auxilia na identificação das principais influências no processo de
previsão.
Figura 17 – Gráfico de Importância das Características de Regressão Utilizando Marcadores de
Framingha

Fonte: Elaboração própria (2023)

Utilizando as bibliotecas tabulate e pandas, os resultados foram apresentados de forma
organizada na Tabela 7. O modelo selecionado para avaliação foi o RF.
Tabela 7 – Resultados dos modelos de regressão
Modelo
RF

R2 Score
0.76

Mean Absolute Error
0.10

Mean Squared Error
0.05

RMSE
0.23

Essas métricas permitem avaliar a qualidade do modelo em relação à sua capacidade
de explicar a variação dos dados observados. O valor do R2 Score indica a proporção da
variabilidade dos dados que pode ser explicada pelo modelo. Quanto mais próximo de 1, melhor
é o desempenho do modelo.
O erro absoluto médio, o erro quadrático médio e a raiz quadrada do erro quadrático
médio fornecem medidas quantitativas do desvio entre os valores previstos pelo modelo e os
valores reais. Valores mais baixos indicam um melhor ajuste do modelo aos dados observados.
Os resultados apresentados na Tabela 7 demonstram que o modelo RF obteve um desempenho satisfatório de acordo com as métricas utilizadas, evidenciando sua capacidade de realizar

75
previsões precisas. Essas informações são relevantes para validar a eficácia do modelo e fornecer
descobertas para futuras aplicações e melhorias.
7.4.2

Seleção do Melhor Modelo de Classificação
A seleção do melhor modelo de classificação foi conduzida de acordo com o procedimento

descrito no Apêndice, na seção intitulada "Código: Experimentos no Cenário 2 - Classificação". Os detalhes sobre a implementação dos modelos de classificação podem ser encontrados
minuciosamente no código fornecido no Apêndice A.
Para realizar os experimentos com os marcadores específicos, foram selecionadas as
variáveis relevantes a partir do DataFrame original. Esse processo consiste na criação de um
novo DataFrame contendo apenas as variáveis desejadas. A seção dedicada ao Cenário 2, focada
na seleção do modelo de classificação mais eficaz para o diagnóstico da SM, aborda de forma
abrangente a análise dos resultados obtidos. A seguir, serão apresentados os resultados detalhados,
fornecendo uma visão aprofundada do desempenho e das capacidades de diagnóstico de cada
modelo avaliado. O gráfico destacado na FIGURA 18 ilustra o modelo de classificação mais
promissor obtido durante a análise.
Figura 18 – Desempenho dos Modelos de Classificação Utilizando Marcadores da SM

Fonte: Elaboração própria (2023)

Em seguida, foram realizadas a seleção das características com as maiores importâncias
e a geração de um gráfico de barras horizontais para representar essas importâncias no contexto

76
do melhor modelo encontrado. Esse gráfico visualiza de forma intuitiva e concisa as principais
variáveis que contribuem para a previsão do diagnóstico da SM.
A FIGURA 19 apresenta o gráfico resultante, proporcionando uma representação visual
clara e concisa das importâncias das características nos modelos de classificação. Essa análise é de
suma importância para compreender as variáveis que exercem maior influência na classificação
da SM, contribuindo para a interpretação dos resultados obtidos e fornecendo iluminações
relevantes para futuras investigações nesse campo de estudo.
Figura 19 – Gráfico de Importância das Características de Classificação Utilizando Marcadores
da SM

Fonte: Elaboração própria (2023)

O melhor modelo de classificação, RF, foi avaliado utilizando dados de teste e obteve
uma acurácia de 91.26. Isso significa que o modelo foi capaz de realizar previsões corretas em
uma taxa satisfatoriamente alta. Os parâmetros ótimos do modelo RF foram identificados como
’max-depth’: 7 e ’n-estimators’: 500, que controlam a profundidade das árvores de decisão e
o número de estimadores no ensemble, respectivamente. Esses parâmetros desempenham um
papel crucial na performance do modelo e foram selecionados para maximizar a sua precisão.
Ao analisar o relatório de classificação, é possível observar que o modelo RF obteve
resultados promissores para ambas as classes. Para a classe que representa a ausência da SM, o
modelo alcançou uma precisão de 0.92, recall de 0.95 e f1-score de 0.93. Já para a classe que
representa a presença da SM, a precisão foi de 0.90, recall de 0.84 e f1-score de 0.87. Essas
métricas indicam uma capacidade satisfatória do modelo em fazer previsões corretas e identificar
corretamente os casos positivos.

77
Em resumo, o modelo RF otimizado demonstrou um desempenho sólido na tarefa de
classificação da SM. Sua alta acurácia, juntamente com as métricas de precisão, recall e f1-score
competitivas, destaca sua capacidade de fazer previsões precisas e identificar corretamente os
casos positivos. Esses resultados têm implicações importantes para a prática clínica, fornecendo
uma abordagem mais precisa e efetiva no diagnóstico e tratamento dessa condição clínica,
contribuindo para uma melhor saúde cardiovascular dos pacientes.
Além disso, para complementar a avaliação do modelo, foram geradas duas representações visuais: a curva ROC e a matriz de confusão. A AUC apresentada na FIGURA 20 ilustra a
relação entre a taxa de FPR e a taxa de TPR. Essa curva fornece uma visão geral do desempenho
do modelo em diferentes pontos de corte e reforça sua capacidade de diagnosticar a SM com
base nas características analisadas.
Figura 20 – Curva ROC do Modelo RF (Floresta Aleatória) com Marcadores da SM

Fonte: Elaboração própria (2023)

Por fim, a matriz de confusão, representada graficamente na FIGURA 21, é uma ferramenta que permite analisar o desempenho do modelo de classificação de forma mais detalhada.
Ela mostra a contagem dos casos classificados corretamente e erroneamente para cada classe.
Essa representação tabular auxilia na identificação de possíveis erros de classificação e fornece
informações valiosas sobre a capacidade discriminativa do modelo em relação à SM.
Em conjunto, a curva ROC e a matriz de confusão complementam os resultados obtidos,
reforçando a eficácia do modelo RF na classificação da SM. Essas visualizações fornecem uma

78
compreensão mais abrangente do desempenho do modelo e podem auxiliar na interpretação
dos resultados, bem como na tomada de decisões clínicas para o diagnóstico e tratamento dessa
condição clínica.
Figura 21 – Matriz de Confusão do Modelo RF (Floresta Aleatória) Utilizando Marcadores da
SM

Fonte: Elaboração própria (2023)

7.5

ANÁLISE E RESULTADOS DO CENÁRIO 4: COMPARAÇÃO E AVALIAÇÃO DOS MODELOS DE REGRESSÃO E CLASSIFICAÇÃO NOS
CENÁRIOS 2 E 3: ESCOLHA DO MELHOR MODELO PARA A SM E
RDC
O estudo teve como objetivo comparar e avaliar os modelos de regressão e classificação

para o desenvolvimento da SM e estimativa do RDC com base nos RFS. Os resultados indicaram
que o modelo de regressão RF obteve o melhor desempenho, superando os demais modelos de
regressão avaliados nos cenários 2 e 3.
Na tarefa de classificação, o modelo RF também foi identificado como mais eficaz na
detecção e diagnóstico da SM e RDC. Apresentou uma acurácia elevada e métricas competitivas
de precisão, recall e f1-score, superando os outros classificadores considerados.

79
Ao analisar apenas os marcadores relacionados à SM, o modelo de regressão RF se
destacou novamente como a melhor opção. Demonstrou uma maior capacidade de explicar a
variabilidade dos dados e estimar a presença da SM.
De maneira semelhante, na tarefa de classificação, o modelo RF apresentou o melhor
desempenho na detecção e diagnóstico da SM e RDC, utilizando os marcadores específicos.
Mostrou uma alta acurácia e métricas competitivas, superando os outros classificadores avaliados.
Esses resultados corroboram a seleção do modelo RF como a escolha mais adequada
tanto para a tarefa de regressão quanto para a classificação da SM e RDC. Sua capacidade
de realizar previsões precisas e identificar corretamente os casos positivos e negativos tem
implicações significativas para a prática clínica, permitindo uma abordagem mais eficiente no
diagnóstico e tratamento dessa condição clínica. Isso contribui para promover uma melhor saúde
cardiovascular nos indivíduos afetados pela SM.
Com base no conhecimento adquirido nos experimentos realizados nos três primeiros
cenários, especialmente em relação aos marcadores utilizados no diagnóstico da SM e no
FRS, é possível recomendar um modelo de aprendizado de máquina para prever o risco de
desenvolvimento de DCV na população ou em indivíduos diagnosticados com SM. No cenário
quatro, daremos continuidade aos experimentos com esse conjunto de dados, focalizando agora
na análise do mapa de calor e na relação entre as variáveis para encontrar a melhor combinação
de marcadores. O objetivo é não apenas recomendar o melhor modelo, mas também identificar
quais marcadores dos dois preditores estudados são mais aplicáveis para os propósitos desta
pesquisa. No entanto, para validar e aprimorar o modelo, será necessário contar com a cooperação
e colaboração de uma equipe multidisciplinar no desenvolvimento de um trabalho futuro.
7.5.1 Resultados e Avaliação dos Modelos de Regressão e Classificação no Cenário 4: Predição
da SM e RDC
Nesta seção, apresentamos os resultados e a avaliação dos modelos de regressão e
classificação no cenário 4, com o objetivo de prever a ocorrência da SM e o RDC associado a
ela, utilizando uma combinação dos marcadores da SM e do FRS. Para essa análise, utilizamos
os modelos desenvolvidos nos cenários 2 e 3, a fim de identificar o modelo de Aprendizado de
Máquina mais adequado.
As Tabelas 8 e 9 apresentam os resultados dos modelos de regressão, utilizando métricas
de desempenho, como o coeficiente de determinação (R²), e outras métricas relevantes. Optamos
por dividir a tabela em duas partes para facilitar a visualização dos resultados. Por sua vez,

80
as Tabelas 10 e 11 exibem os resultados dos modelos de classificação, considerando diversas
métricas de desempenho, incluindo a acurácia (accuracy) e outras relevantes. A divisão em duas
partes foi adotada visando a melhor legibilidade e compreensão dos resultados.
A análise desses resultados é de extrema importância, pois fornece informações sobre a
eficácia dos modelos na predição da SM e do RDC, com base nos marcadores da SM e do FRS.
A partir desses resultados, podemos identificar as combinações de variáveis que apresentaram
o melhor desempenho e que podem ser consideradas para a implementação do modelo. Esse
modelo pode ser especialmente útil na atenção primária do Sistema Único de Saúde (SUS),
onde a disponibilidade de médicos especialistas e recursos financeiros é limitada em certas
situações. A capacidade de prever antecipadamente a ocorrência da SM e o RDC pode facilitar a
identificação de pacientes que requerem um acompanhamento mais intensivo, encaminhando-os
para os cuidados adequados. Isso contribui para a melhoria do atendimento e a otimização dos
recursos disponíveis.

81
7.5.2 Apresentação e Análise dos Resultados dos Modelos de Regressão Treinados e Testados
As Tabelas 8 e 9 apresentam os resultados dos modelos de regressão utilizando diversas
métricas de desempenho, incluindo as métricas de desempenho, como o coeficiente de determinação (R²) e outras relevantes. A divisão em duas partes foi adotada com o objetivo de aprimorar
a legibilidade e facilitar a compreensão dos resultados obtidos.
Tabela 8 – Desempenho dos modelos de regressão para Síndrome Metabólica e Risco Cardiovascular - Parte 1
Modelo

Marcadores SM

Marcadores SM + Sexo

Marcadores SM + Idade

Marcadores SM + Obesidade

LR
DT
RF
GBM
SVM
KNN

0.4496
0.5643
0.7608
0.7130
0.5022
0.4193

0.4840
0.9083
0.9407
0.7901
0.4977
0.4175

0.4037
0.4955
0.7682
0.7162
0.5056
0.4689

0.5872
0.8165
0.8928
0.7836
0.4982
0.4212

A descrição das siglas estão disponíveis na lista de siglas
Tabela 9 – Desempenho dos modelos de regressão para Síndrome Metabólica e Risco Cardiovascular - Parte 2
Modelo Marcadores SM + FRS Marcadores FRS Marcadores FRS + Obesidade
LR
DT
RF
GBM
SVM
KNN

0.4381
0.9197
0.9304
0.7855
0.5000
0.4693

0.1859
0.3120
0.6016
0.5832
0.3350
0.3680

0.4267
0.5413
0.7328
0.6753
0.3497
0.3652

Marcadores FRS + SM + Obesidade
0.5643
0.9312
0.9359
0.8022
0.4988
0.4693

As tabelas 8 e 9 fornecem uma análise que permite identificar o modelo mais eficiente
e a combinação mais simples de marcadores para a predição da SM. Ao avaliar as métricas de
desempenho, como o coeficiente de determinação (R²), constatou-se que o modelo RF apresentou
resultados consistentes em todas as combinações de marcadores. Dentre essas combinações,
destaca-se aquela que incorpora os marcadores da SM em conjunto com o marcador de sexo,
evidenciando um coeficiente de determinação de 0.94.
A união dos marcadores da SM e do sexo demonstrou um desempenho superior em
termos de precisão na previsão da SM, sugerindo que o sexo do indivíduo pode ser um fator
relevante na identificação e prognóstico dessa condição de saúde.
Portanto, é recomendável adotar o RF em conjunto com a combinação de marcadores
da SM e sexo como a abordagem mais simples e eficaz para a previsão da SM na atenção
primária do SUS. Essa combinação de marcadores pode fornecer informações valiosas para
identificar indivíduos com maior risco de desenvolver a síndrome e encaminhá-los para um
acompanhamento mais adequado e personalizado.

82
7.5.3 Apresentação e Análise dos Resultados dos Modelos de Classificação Treinados e Testados
As Tabelas 10 e 11 exibem os resultados dos modelos de classificação com base em
diversas métricas de desempenho, incluindo a acurácia (accuracy) e outras relevantes. A divisão
em duas partes foi adotada para melhorar a legibilidade e facilitar a compreensão dos resultados.
Tabela 10 – Desempenho dos modelos de classificação para Síndrome Metabólica e Risco Cardiovascular - Parte 1
Modelo

Marcadores SM

Marcadores SM + Sexo

Marcadores SM + Idade

Marcadores SM + Obesidade

LR
DT
RF
GBM
SVM
KNN

0.8766
0.9074
0.9228
0.9100
0.8380
0.8200

0.8843
0.9794
0.9742
0.9922
0.8380
0.8200

0.8663
0.8946
0.9074
0.9177
0.8508
0.8354

0.9074
0.9640
0.9562
0.9665
0.8380
0.8226

A descrição das siglas estão disponíveis na lista de siglas
Tabela 11 – Desempenho dos modelos de classificação para Síndrome Metabólica e Risco Cardiovascular - Parte 2
Modelo Marcadores SM + FRS Marcadores FRS Marcadores FRS + Obesidade
LR
DT
RF
GBM
SVM
KNN

0.8637
0.9820
0.9691
0.9948
0.8483
0.8354

0.8174
0.8303
0.8817
0.8740
0.7917
0.7969

0.8714
0.8868
0.9048
0.9125
0.7969
0.7969

Marcadores FRS + SM + Obesidade
0.9023
0.9871
0.9794
0.9974
0.8457
0.8354

Ao analisar os resultados das Tabelas 10 e 11, que exibem o desempenho dos modelos de
classificação para a SM e o RDC, observam-se os seguintes aspectos relevantes:
Na Tabela 10 - Parte 1:
O modelo RF obteve o melhor desempenho, apresentando valores de classificação variando entre 0.9228 e 0.9742, dependendo dos marcadores utilizados. Os DT e GBM também
apresentaram resultados positivos, com valores de classificação superiores a 0.9 em diversas
configurações de marcadores. O modelo de LR demonstrou consistência nos resultados, com
valores de classificação acima de 0.86 em todas as configurações.
Na Tabela 11 - Parte 2:
O modelo GBM exibiu o melhor desempenho, com valores de classificação variando entre
0.9948 e 0.9974, dependendo dos marcadores utilizados. Similarmente à Tabela 10, o modelo RF
também demonstrou resultados sólidos, com valores de classificação acima de 0.96 em todas as
configurações. Os modelos LR, DT, SVM e KNN apresentaram um desempenho razoável, com
valores de classificação variando entre 0.7917 e 0.9023, dependendo dos marcadores utilizados.

83
Em resumo, os modelos RF, GBM e LR evidenciaram um bom desempenho geral
em ambas as tabelas, com valores de classificação consistentes. Esses modelos podem ser
considerados como os principais candidatos para o diagnóstico da SM e do RDC, com base nos
resultados apresentados. No entanto, vale ressaltar que a escolha do melhor modelo também
depende dos critérios específicos do problema e das características dos dados. É relevante
destacar que o GBM obteve valores de classificação excepcionalmente elevados, variando entre
0.9948 e 0.9974, na Tabela 11 - Parte 2, indicando um desempenho notável na previsão da SM e
do RDC. Ademais, o GBM também apresentou resultados positivos na Tabela 10 - Parte 1, com
valores classificação acima de 0.91 em todas as configurações.
No entanto, essa sugestão se baseia, exclusivamente, nos resultados obtidos nos experimentos realizados nos cenários 2, 3 e 4. Para uma seleção mais precisa e confiável, recomenda-se
realizar uma análise mais aprofundada, levando em consideração outros fatores relevantes, como
a interpretabilidade do modelo, a complexidade computacional, a disponibilidade de recursos e
os requisitos específicos do problema em questão.

7.6

ESCOLHA DO MELHOR MODELO DE REGRESSÃO E CLASSIFICAÇÃO DO RDC ASSOCIADO A SMA
A fim de identificar o modelo mais adequado e confiável para a predição da SM e DRC,

foi realizada uma análise minuciosa dos resultados dos modelos de regressão e classificação.
Essa análise considerou as variáveis mais importantes e relevantes do dataset, relacionadas ao
risco de desenvolvimento dessas condições de saúde. O modelo RF destacou-se como o mais
eficaz e confiável na predição da SM. Essa conclusão foi reforçada pelos resultados obtidos nos
cenários 2 e 3, onde o RF superou os demais modelos avaliados de forma consistente.
No contexto dos modelos de regressão, o RF apresentou resultados consistentes em todas
as combinações de variáveis. Notadamente, a combinação que envolveu os marcadores da SM
juntamente com o marcador de sexo demonstrou um coeficiente de determinação (R²) de 0.94,
indicando um bom ajuste do modelo aos dados.
No que diz respeito aos modelos de classificação, o RF também se destacou, alcançando
altos índices de acurácia em todas as combinações de variáveis. Especificamente, a combinação
dos marcadores da SM com o marcador de sexo obteve uma acurácia de 0.974, evidenciando
a capacidade do modelo em classificar corretamente os indivíduos em relação à presença ou
ausência da síndrome.
Com base nessas análises, é recomendado o uso do modelo RF tanto para a regressão

84
quanto para a classificação da SM. A combinação de marcadores da SM com o marcador de sexo
demonstrou-se ser a abordagem mais simples e eficaz para a predição dessas condições de saúde.
A utilização desse modelo e combinação de variáveis pode fornecer informações valiosas na identificação de indivíduos com maior risco de desenvolver a síndrome, permitindo
intervenções e acompanhamento adequados e personalizados.
É fundamental salientar que essas conclusões são específicas para o presente estudo e
é recomendada a realização de análises adicionais e validações em estudos futuros, a fim de
garantir a robustez e generalização dos resultados obtidos.

7.7

ANÁLISE E RESULTADOS DO CENÁRIO 5: SELEÇÃO DO MELHOR
MODELO DE ML USANDO MARCADORES DA SM E O FRS
Neste cenário, seguiremos a mesma metodologia adotada nos cenários anteriores para

apresentar os resultados. Inicialmente, serão apresentados os resultados dos experimentos de
regressão, com detalhes sobre as métricas de desempenho e interpretação dos resultados. Em
seguida, abordaremos os resultados encontrados para o modelo de classificação, realizando uma
análise similar.
7.7.1

Seleção do Melhor Modelo de Regressão
Neste cenário, utilizamos a metodologia adotada nos cenários anteriores para selecionar

o melhor modelo de regressão para a predição do RDC em dados combinados de doenças
cardíacas. Foram realizados três experimentos com os mesmos modelos e metodologia. No
primeiro experimento, todas as variáveis do dataset foram utilizadas para treinar e testar o
modelo proposto, a fim de escolher o melhor modelo. Os resultados obtidos estão apresentados
na Tabela 12.
No segundo experimento, o modelo foi treinado e testado apenas com as variáveis
relacionadas ao diagnóstico da SM, com o objetivo de investigar a relação entre RDC e essa
síndrome. Já no terceiro experimento, o modelo foi treinado com cinco variáveis, incluindo os
marcadores da SM e o FRS.
O objetivo principal desta pesquisa é recomendar um modelo de aprendizado de máquina
capaz de diagnosticar e prever o RDC associado à SM. A compreensão dessa relação é crucial
para avançar o conhecimento na área e desenvolver estratégias mais eficazes de prevenção e
tratamento. Os resultados dos experimentos de regressão fornecem importantes descobertas
sobre as métricas de desempenho e interpretação dos modelos, contribuindo para a melhoria do

85
cuidado dos pacientes e a promoção da saúde cardiovascular.
Tabela 12 – Seleção do Melhor Modelo de Regressão para Risco Cardiovascular em Dados
Combinados de Doenças Cardíacas
Modelo
LR
DT
RF
GBM
SVM
KNN

Todos Marcadores do Dataset
0.34
0.56
0.70
0.62
0.22
0.21

Três Marcadores da SM
-0.43
-0.10
0.15
0.15
-0.07
0.06

Cinco Marcadores SM + FRS
-0.19
-0.02
0.34
0.26
0.11
0.16

Neste cenário, foram realizados os mesmos procedimentos adotados nos cenários anteriores, com foco na análise dos modelos de classificação treinados e testados. A tabela 13 apresenta
os resultados obtidos.
Tabela 13 – Seleção do Melhor Modelo de Classificação para Risco Cardiovascular em Dados
Combinados de Doenças Cardíacas
Modelo
LR
DT
RF
GBM
SVM
KNN

Todos Marcadores do Dataset
0.72
0.89
0.95
0.91
0.72
0.71

Três Marcadores da SM
0.71
0.77
0.80
0.72
0.66
0.70

Cinco Marcadores SM + FRS
0.71
0.78
0.84
0.72
0.66
0.70

No presente estudo, foi conduzida uma análise para selecionar o modelo de regressão
e classificação mais adequado para a predição do RDC no conjunto de dados combinados de
doenças cardíacas, contendo pacientes da Cleveland Clinic, Hungria, Suíça e VA Long Beach.
Diversas combinações de marcadores e variáveis foram exploradas nesse contexto.
Na análise de regressão, observou-se que o modelo RF apresentou os melhores resultados,
evidenciando uma correlação significativa com os dados. Notavelmente, o modelo que incorpora cinco marcadores, combinando variáveis da SM com o FRS (SM + FRS), alcançou uma
correlação positiva (R² = 0.341), revelando uma associação relevante com o RDC. No entanto, é
importante destacar que esse valor é consideravelmente inferior ao obtido no teste com todas as
variáveis (0.70), indicando que a simplificação do modelo pode levar a uma perda de precisão.
Quanto à análise de classificação, também foi identificado o modelo RF como o de melhor
desempenho, considerando as métricas de avaliação. O modelo que utiliza todas as variáveis
do conjunto de dados combinado obteve a maior acurácia (0.953), destacando-se como o mais
eficaz na classificação do RDC.

86
Vale ressaltar que tanto o modelo com três marcadores da SM quanto o modelo com cinco
marcadores da SM combinados ao FRS (SM + FRS) apresentaram desempenho considerável,
com correlações e acurácias significativas (0.80 e 0.84, respectivamente). Essas combinações
mais simples de variáveis podem ser uma abordagem interessante, uma vez que fornecem
informações relevantes para a predição do RDC de forma menos invasiva, evitando a necessidade
de exames mais complexos.
Assim, com base nos resultados obtidos, o modelo RF mostrou-se o mais adequado para
a tarefa de regressão e classificação do RDC neste estudo. Além disso, a combinação de variáveis
da SM com o FRS apresentou-se promissora, oferecendo uma alternativa mais simples e eficaz
para a análise e previsão do RDC. A seguir, serão apresentados os resultados do melhor modelo,
que incorpora os marcadores da SM juntamente com os marcadores utilizados no FRS. Será
fornecida a Curva ROC na FIGURA 22 e a matriz de confusão na FIGURA 23. Posteriormente,
serão discutidos os resultados obtidos nesse modelo, após a seleção do melhor modelo e o ajuste
de seus parâmetros, seguido de uma breve explicação.
Figura 22 – Curva ROC do Modelo RF com Marcadores da SM e do FRS

Fonte: Elaboração própria (2023)

87
Figura 23 – Matriz de Confusão do Modelo RF Utilizando Marcadores da SM e do RFS

Fonte: Elaboração própria (2023)

O modelo Random Forest obteve um resultado promissor na análise do RDC. A curva
ROC apresentou uma área de 0.87, o que indica uma boa capacidade de discriminação entre as
classes positiva e negativa. Esse valor representa a probabilidade de que o modelo classifique
corretamente uma amostra aleatória da classe positiva com uma pontuação de probabilidade
mais alta do que uma amostra aleatória da classe negativa.
Ao avaliar a matriz de confusão, podemos observar que o modelo classificou corretamente
81 amostras da classe 0 (RDC negativo) e 104 amostras da classe 1 (RDC positivo). No entanto,
houve algumas amostras classificadas erroneamente, com 26 amostras da classe 0 e 27 amostras
da classe 1 sendo classificadas incorretamente.
As métricas de precisão, recall e F1-score fornecem informações mais detalhados sobre
o desempenho do modelo. Para a classe 0, o modelo obteve uma precisão de 0.75, um recall
de 0.76 e um F1-score de 0.75. Esses resultados indicam que o modelo apresentou uma boa
capacidade de identificar corretamente os casos negativos de RDC, com um equilíbrio adequado
entre precisão e recall.
Para a classe 1, a precisão foi de 0.80, o recall foi de 0.79 e o F1-score foi de 0.80. Isso
indica que o modelo também obteve um bom desempenho em identificar corretamente os casos
positivos de RDC.

88
A acurácia geral do modelo foi de 0.78, o que significa que aproximadamente 78% das
amostras foram classificadas corretamente. A média ponderada do F1-score foi de 0.78, levando
em consideração o suporte (número de amostras) de cada classe.
Além disso, foi realizada a validação cruzada com 5 folds para aprimorar e explorar a
validação do melhor modelo escolhido. Essa abordagem contribui para verificar a robustez e a
generalização do modelo, garantindo resultados mais confiáveis.
Em resumo, os resultados mostram que o modelo Random Forest apresentou um desempenho satisfatório na classificação do RDC, com uma área significativa sob a curva ROC e
métricas sólidas de precisão, recall e F1-score para ambas as classes. No entanto, é importante
realizar uma análise mais aprofundada e considerar outros fatores relevantes antes de concluir
sobre a eficácia do modelo.

7.8

ANÁLISE E RESULTADOS DO CENÁRIO 6: SELEÇÃO DO MELHOR
MODELO DE ML USANDO MARCADORES DA SM E FRS COM O
DATASET FRAMINGHAM.CSV
Com o objetivo de recomendar um modelo de aprendizado de máquina para a predição

do RDC relacionado à SM, é crucial considerar o cenário do estudo de Framingham, uma vez
que o banco de dados utilizado está diretamente relacionado a essa pesquisa.
Para atingir o objetivo de desenvolver um modelo de predição de RDC, foram realizadas
as seguintes etapas, conforme descrito na seção de metodologia dos experimentos: importação e
visualização dos dados, pré-processamento dos dados (normalização e divisão em conjuntos de
treinamento e teste), treinamento de diversos modelos de classificação e regressão, avaliação
do desempenho dos modelos por meio de métricas específicas de regressão para os modelos de
regressão e métricas específicas de classificação para os modelos de classificação, seleção do
melhor modelo e ajuste de seus parâmetros, e, por fim, reavaliação do modelo finalizado.
Na primeira parte, foi realizada a limpeza dos dados e uma análise exploratória. Identificaramse valores nulos em várias variáveis do conjunto de dados. A coluna "education"apresentou 105
valores nulos, "cigsPerDay"registrou 29 valores nulos, "BPMeds"apresentou 53 valores nulos,
"totChol"mostrou 50 valores nulos, "BMI"teve 19 valores nulos, "heartRate"apresentou 1 valor
nulo e "glucose"registrou 388 valores nulos. Esses valores ausentes foram tratados antes de
realizar a modelagem dos dados. Em seguida, foram calculadas as correlações entre as variáveis,
com o intuito de compreender a relação entre elas e identificar possíveis problemas de multicolinearidade. Para isso, utilizou-se a biblioteca seaborn para gerar um mapa de calor (heatmap) das

89
correlações, conforme apresentado na FIGURA 24.
Figura 24 – Mapa de Calor - Correlação entre as Variáveis

Fonte: Elaboração própria (2023)

Durante a análise de regressão foi constatado que o modelo GradientBoostingRegressor
apresentou os melhores resultados, indicando uma correlação significativa com os dados. No
entanto, os resultados obtidos para a seleção do melhor modelo de regressão não foram satisfatórios. Por outro lado, nos experimentos de classificação, o modelo Random Forest mostrou-se
mais adequado para classificar o RDC em um período de 10 anos, conforme mencionado no RFS
(National Heart, Lung, and Blood Institute, 1948).
Os resultados das métricas para o melhor modelo foram os seguintes: A Tabela 14 mostra
os resultados obtidos na escolha do melhor Modelo de regressão:
Tabela 14 – Resultados dos modelos de regressão
Modelo
GBM

R2 Score
0.08

Mean Absolute Error
0.23

Mean Squared Error
0.12

RMSE
0.35

Os resultados obtidos pelos dois modelos testados revelaram uma notável similaridade,
destacando-se a diferença mais significativa na matriz de confusão, uma métrica amplamente
recomendada para a análise desse tipo de modelo. O primeiro modelo considerou todas as
variáveis disponíveis no conjunto de dados, enquanto o segundo se restringiu às variáveis

90
associadas ao diagnóstico da SM. É válido ressaltar que a acurácia do melhor modelo foi de 0.83.
Esses resultados encorajam investigações futuras no sentido de desenvolver calculadoras e/ou
escores para a predição do RDC em pacientes diagnosticados com SM, assim como para prever
o risco de desenvolvimento dessa síndrome, utilizando critérios diagnósticos específicos da SM
e estabelecendo uma relação com o RFS. O emprego de técnicas de aprendizado de máquina,
como proposto neste estudo, pode contribuir para atingir esses objetivos.
A FIGURA 25 apresenta o gráfico resultante, proporcionando uma representação visual
clara e concisa das importâncias das características nos modelos de classificação. Essa análise é
de suma importância para compreender as variáveis que exercem maior influência na classificação
do RDC, contribuindo para a interpretação dos resultados obtidos e fornecendo descobertas
relevantes para futuras investigações nesse campo de estudo.
Figura 25 – Gráfico de Importância das Características de Classificação Utilizando Todos os
Marcadores

Fonte: Elaboração própria (2023)

Os resultados apresentam as métricas de desempenho dos modelos de classificação para
a predição do RDC no conjunto de dados de Framingham, considerando todos os marcadores do
dataset e apenas os marcadores relacionados à SM.
Os modelos LR, GBM, SVM e KNN obtiveram acurácia de 0.833 em ambas as configurações de marcadores. Isso indica que esses modelos tiveram um desempenho consistente na
predição do RDC, independentemente dos marcadores considerados.

91
Tabela 15 – Melhor Modelo de Classificação para Risco Cardiovascular no conjunto de dados de
Framingham
Modelo

Todos Marcadores do Dataset

Só Marcadores da SM

LR
DT
RF
GBM
SVM
KNN

0.8333
0.7322
0.8346
0.8333
0.8333
0.8265

0.8333
0.7322
0.8346
0.8333
0.8333
0.8265

Por outro lado, o modelo DT apresentou uma acurácia ligeiramente inferior, com valor
de 0.732, enquanto o modelo RF obteve uma acurácia mais elevada, alcançando 0.835 em ambas
as configurações. Esses resultados sugerem que o modelo RF pode ser mais eficaz na predição
do RDC no conjunto de dados de Framingham.
Com base nos resultados obtidos, o modelo RF demonstrou ser o mais adequado para a
tarefa de classificação do RDC neste estudo. A Tabela 15 apresenta os resultados de acurácia dos
modelos obtidos.
Além das métricas de desempenho, serão fornecidas visualizações adicionais, como a
Curva ROC na FIGURA 26 e a matriz de confusão na FIGURA 27. Essas visualizações ajudarão
a entender melhor os modelos treinados e testados, oferecendo revelações para uma análise mais
abrangente.
Figura 26 – Curva ROC do Modelo RF com Marcadores da SM e do FRS

92

Fonte: Elaboração própria (2023)

Figura 27 – Matriz de Confusão do Modelo RF Utilizando Marcadores da SM e do FRS

Fonte: Elaboração própria (2023)

Em seguida, realizou-se uma análise dos modelos treinados considerando apenas as variáveis relacionadas ao diagnóstico da SM. A FIGURA 28 exibe o gráfico resultante, fornecendo
uma representação visual clara e concisa da importância das características nos modelos de
classificação.

93
Figura 28 – Gráfico de Importância das Características de Classificação Utilizando Marcadores
da SM

Fonte: Elaboração própria (2023)

Como mencionado anteriormente, a curva ROC resultou em um desempenho idêntico para
os dois modelos testados. Portanto, na FIGURA 29, será apresentada a Matriz de Confusão para
analisar a diferença entre esses modelos, levando em consideração todos os passos recomendados
na metodologia deste estudo.

94
Figura 29 – Matriz de Confusão do Modelo RF Utilizando Marcadores da SM e do FRS

Fonte: Elaboração própria (2023)

Os resultados da matriz de confusão revelaram informações significativas sobre o desempenho dos modelos de classificação no contexto da predição do RDC no conjunto de dados de
Framingham. O primeiro modelo, que considerou todas as variáveis disponíveis, obteve uma
taxa de acerto elevada para a classe negativa, indicando a capacidade de identificar corretamente
os casos não pertencentes à classe de RDC. No entanto, apresentou dificuldades na identificação
dos casos positivos, com um número considerável de falsos negativos e falsos positivos.
Por outro lado, o segundo modelo, que utilizou apenas as variáveis relacionadas à SM,
apresentou uma taxa de acerto ainda maior para a classe negativa. Isso sugere que essas variáveis
têm um impacto significativo na predição do RDC. No entanto, a taxa de acerto para a classe
positiva foi muito baixa, com apenas uma previsão correta. Isso ressalta a necessidade de
melhorias e ajustes nos modelos para aprimorar a capacidade de identificar corretamente os
casos de RDC.
A análise comparativa entre os dois modelos revelou que, apesar das diferenças na matriz
de confusão, ambos obtiveram resultados semelhantes em termos de acurácia geral. Isso indica
que a inclusão das variáveis relacionadas à SM não resultou em uma melhoria significativa no
desempenho da predição em comparação com o uso de todas as variáveis disponíveis.
Esses resultados são de grande relevância, pois fornecem informações valiosas para

95
pesquisadores e profissionais da área de saúde. Eles destacam a importância das variáveis
relacionadas à SM na predição do RDC e ressaltam a necessidade de aprimoramentos nos
modelos para melhor identificação dos casos positivos. Futuras pesquisas podem explorar outras
abordagens de modelagem e considerar a inclusão de mais variáveis relevantes para melhorar a
precisão da predição nesse contexto clínico desafiador.

96

8 CONSIDERAÇÕES FINAIS
Com base nos resultados dos cenários apresentados, podemos concluir que a presença da
SM está associada a um aumento significativo no RDC. As estatísticas descritivas mostraram que
a população com SM apresentou uma média de RDC mais alta em comparação com a população
geral.
No cenário 2, os modelos de regressão e classificação utilizando os marcadores de
Framingham mostraram-se eficazes na predição da SM. O modelo de regressão Random Forest
apresentou um bom ajuste aos dados, enquanto o modelo de classificação Random Forest
demonstrou uma alta acurácia e métricas competitivas para ambas as classes.
No cenário 3, o modelo de classificação Random Forest otimizado apresentou uma
alta acurácia na predição da SM. Suas métricas de precisão, recall e F1-score indicaram uma
capacidade satisfatória de fazer previsões corretas e identificar corretamente os casos positivos.
Considerando os resultados dos cenários anteriores, o modelo de regressão e classificação
Random Forest destacou-se como o mais eficaz e confiável na predição da SM e no RDC
associado a ela. A combinação dos marcadores da SM com o marcador de sexo foi identificada
como a abordagem mais simples e eficaz para a predição dessas condições de saúde.
No cenário 5, o modelo Random Forest mostrou uma boa capacidade de discriminação
entre as classes positiva e negativa de RDC, com uma área significativa sob a curva ROC e
métricas sólidas de precisão, recall e F1-score para ambas as classes.
No cenário 6, os resultados da matriz de confusão indicaram que as variáveis relacionadas
à SM têm um impacto significativo na predição do RDC. No entanto, a taxa de acerto para a
classe positiva foi baixa, indicando a necessidade de melhorias e ajustes nos modelos.
Portanto, com base nos resultados e avaliações dos cenários apresentados, o modelo
de regressão e classificação Random Forest mostrou-se o mais adequado para a predição da
SM e do RDC associado a ela. Sua utilização, juntamente com os marcadores da SM e outras
variáveis relevantes, pode fornecer informações valiosas na identificação de indivíduos com
maior risco e permitir intervenções e acompanhamento adequados e personalizados. No entanto,
é importante realizar análises adicionais e validações em estudos futuros para garantir a robustez
e generalização dos resultados obtidos.

97

8.1

LIMITAÇÕES ENCONTRADAS
Os três conjuntos de dados não possuíam todas as variáveis necessárias para o diagnós-

tico da SM e do FRS em conjunto. O conjunto de dados "MSWithInsulin.csv", disponível na
plataforma data.world, foi extraído do National Center for Health Statistics (NHANES) e incluiu
informações de pacientes diagnosticados com SM e pacientes sem a doença ao longo de um
período de dez anos. Embora contivesse os marcadores diagnósticos da SM baseados no critério
NCEP-ATP III, não incluía todos os marcadores usados no FRS, especificamente o marcador de
Colesterol Total, o que comprometeu uma análise completa e detalhada.
Da mesma forma, o segundo conjunto de dados também não possuía todos os Marcadores
Clínicos dos conjuntos de dados de Cleveland, Hungria, Suíça e VA Long Beach. O objetivo
desse conjunto de dados era determinar se os pacientes tinham RDC. Apesar de ter apenas três
marcadores para o diagnóstico da SM, ainda foi possível observar a importância da combinação
de variáveis conforme utilizada, obtendo um resultado significativo quando combinado com
idade e sexo juntamente com as outras três variáveis da SM. Com apenas cinco variáveis, os
resultados foram estatisticamente significativos.
No que diz respeito ao terceiro conjunto de dados, o banco de dados de Framingham, a
variável ausente era o volume da circunferência da cintura, que na realidade é a única variável
que não contribui para o FRS, conforme afirmado pelo Framingham Heart Study (2021). Em vez
disso, o Índice de Massa Corporal (IMC) foi utilizado como substituto.

8.2

RECOMENDAÇÕES PARA TRABALHOS FUTUROS
Para dar continuidade a esta pesquisa e desenvolver um escore que possa ser utilizado

tanto em pacientes com e sem SM, é recomendável explorar o uso de técnicas de Aprendizado de
Máquina (ML). Essa abordagem exigirá o envolvimento de uma equipe multidisciplinar composta
por profissionais da área da saúde, como médicos, nutricionistas, educadores físicos e pacientes,
além de especialistas em tecnologia, como analistas de dados e engenheiros de software. Será
necessário estabelecer parcerias com hospitais e laboratórios clínicos, bem como reservar um
tempo adequado para a realização das tarefas, incluindo a elaboração de consentimentos dos
participantes. Além disso, é importante considerar o aspecto financeiro como um fator crítico
para o desenvolvimento e implementação do escore proposto.
Como alternativa, caso os resultados sejam significativos, é recomendado o uso do
critério diagnóstico da SM em conjunto com algumas variáveis do FRS para a população com

98
SM. Esses dados podem ser coletados por meio de entrevistas, anamnese e exames não invasivos
e complexos. Seria ainda mais benéfico desenvolver um escore que utilize informações sem a
necessidade de exames relativamente caros. Um escore de fácil utilização e acessível seria uma
ferramenta importante para a prevenção de DCV, que são uma das principais causas de morte no
mundo, de acordo com a Organização Mundial da Saúde.

99

REFERÊNCIAS
ABESO. Obesidade e síndrome metabólica, (Associação Brasileira para o Estudo da Obesidade
e Síndrome Metabólica) Disponível: https://abeso.org.br/conceitos/obesidade-e-sindromemetabolica/ acesso em 16 de abril de 2022. In: . [S.l.: s.n.], 2022.
ASSOCIATION, A. H. Metabolic syndrome, (What is Metabolic Syndrome) Disponível:
https://www.heart.org/en/health-topics/metabolic-syndrome acesso em 22 de abril de 2023. In: .
[S.l.: s.n.], 2020.
BITTENCOURT, G. Inteligência Artificial. Ferramentas e Teorias. 2. ed. Florianópolis:
Editora da UFSC, 2001. 51 p. ISBN 85-328-0138-2.
BRANDÃO, e. a. I diretriz brasileira de diagnóstico e tratamento da síndrome metabólica.
Arquivos Brasileiros de Cardiologia - Volume 84, Suplemento I, Abril 2005. In: . [S.l.: s.n.],
2005.
CARDIOLOGIA, S. B. de. Diretrizes brasileiras de diagnóstico e tratamento da síndrome
metabólica. In: . [s.n.], 2019. Disponível em: <https://www.cardiol.br/wp-content/uploads/2019/
10/Diretriz-Sindrome-Metabolica-2019.pdf>.
CODORNIZ, A. DESCOBERTA DOS FATORES DE RISCO PARA DOENÇA
CORONARIANA E MORTE SÚBITA. 2000. Trabalho apresentado na Jornada da Sociedade
Centro-Oeste de Cardiologia (SCOC) – A Cardiologia dos Primórdios à Porta do Terceiro
Milênio (Descobertas, Revoluções, Mitos, Equívocos, Avanços).
DOMENICO, K. D. Causas e fatores de risco. Cardiovascular News,
September 2021. Disponível em: <https://www.cardiovascularnews.com.br/
causas-e-fatores-de-risco-da-sindrome-metabolica/>.
FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. L. F. d. Inteligência Artificial:
Uma abordagem de aprendizado de máquina. [S.l.]: Grupo Gen-LTC, 2011.
FIGUEROA, A. Inteligência artificial na saúde. SBIE, v. 11, p. 32–43, 2020.
FRAMINGHAM Heart Study. Framingham Heart Study, 2022. Acessado em 30 de novembro
de 2022. Disponível em: <https://www.framinghamheartstudy.org/>.
GIANNINI, S. Aterosclerose e Dislipidemias. 1ª. ed. São Paulo: BG Cultural Ed., 1998.
GOMES, P. C. T. Introdução ao Aprendizado de Máquina. 2019. <https://www.datageeks.
com.br/aprendizado-de-maquina/>. Acesso em: 10 de novembro de 2022.
GRUNDY, S. M. Metabolic syndrome update. Trends in Cardiovascular Medicine, v. 26, n. 4,
p. 364–373, 2016.
GRUS, J. Data Science do Zero. [S.l.]: Novatec Editora, 2019.
GÉRON, A. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow.
[S.l.]: Novatec Editora, 2017.
HOYT, R. M. Projeto de dados abertos com dados NHANES 2011-2012resumo MSWithInsulin2 Dataset. 2018. <https://data.world/rhoyt/librehealth-educational-ehr/
workspace/project-summary?agentid=rhoyt&datasetid=librehealth-educational-ehr>.

100
HUANG, W.; YING, T. W.; CHIN, W. L. C.; BASKARAN, L.; MARCUS, O. E. H.; YEO,
K. K.; KIONG, N. S. Application of ensemble machine learning algorithms on lifestyle factors
and wearables for cardiovascular risk prediction. Journal of Medical Systems, Springer, v. 45,
n. 7, p. 1–11, 2021.
II, G. F.; HURST, J. Atherosclerotic coronary heart disease: Historical perspective. In: Hurst’s
The Heart. 9th. ed. [S.l.]: McGraw-Hill, 1999. p. 1–30.
JANOSI, a. a. Heart Disease. 1988. UCI Machine Learning Repository. DOI: <10.24432/
C52P4X>.
JUNQUEIRA, V.; BARRETO, S. M.; PASSOS, V. M. A.; ALMEIDA, M. d. C.; MARTINS,
I. C.; RODRIGUES, A. P. S.; ARA’uJO, D. Prevalence of metabolic syndrome according
to different criteria in a population-based study. Arquivos brasileiros de endocrinologia
metabologia, Sociedade Brasileira de Endocrinologia e Metabologia, v. 55, n. 7, p. 195–202,
2011.
KALIL, C. C. et al. Obesidade. 1st. ed. São Paulo: Benvirá, 2017. 176 p. (Coleção Como
cuidar). ISBN 978-85-5717-173-2.
KAPLAN, A. Artificial Intelligence, Business and Civilization - Our Fate Made in Machines.
[S.l.]: Routledge, 2022. ISBN 9781032155319.
KITCHENHAM, a. a. Guidelines for Performing Systematic Literature Reviews in Software
Engineering. [S.l.], 2007.
KLEINA. A história da inteligência artificial. 2018. Vídeo. Publicado em 23 de
outubro de 2018 às 10:58. Disponível em: <https://www.tecmundo.com.br/mercado/
135413-historia-inteligencia-artificial-video.htm>.
LIMA, J. Computadores e Inteligência. [S.l.]: Editora UFSC, 2017.
LOTUFO, P. A. Risco cardiovascular global: Novos conceitos sobre uma velha realidade. In:
Risco Cardiovascular Global. São Paulo: Lemos Editorial, 1999. p. 31–43.
MAIGA, a. a. Comparison of machine learning models in prediction of cardiovascular disease
using health record data, Universitas Atma Jaya Yogyakarta Yogyakarta, Indonesia 2021. acesso
em 17 de abril de 2023. 2019.
METABOLOGIA, S. B. de Endocrinologia e. Tratamento da síndrome metabólica. SBEM Sociedade Brasileira de Endocrinologia e Metabologia, 2022.
MILDENBERGER, T. Stephen marsland: Machine learning. an algorithmic perspective.
Statistical Papers, Springer, v. 55, n. 2, p. 575, 2014.
Ministério da Saúde. Escore de risco global (erg) de framingham. In: . [s.n.], 13 de junho de
2023. Disponível em: <https://aps.saude.gov.br>.
MONARD, M. C.; BARANAUSKAS, J. A. Conceitos sobre aprendizado de máquina. Sistemas
inteligentes-Fundamentos e aplicaç oes, v. 1, n. 1, p. 32, 2003.
National Heart, Lung, and Blood Institute. Framingham Heart Study. 1948. <https:
//www.framinghamheartstudy.org/fhs-about/>. Acesso em: [22 de Janeiro de 2023].

101
NEGRÃO, C. E.; MATOS, L. D. N. J. d.; COSTA, A. R. d.; RAMALHO, A. C.; PIERIN,
A. M. G.; SALLES, G. F.; GUIMARãES, J. I.; MONTEIRO, J. B. I Diretriz Brasileira de
Diagnóstico e Tratamento da Síndrome Metabólica. 2005.
NOYES, J. Artificial Intelligence with Common Lisp: Fundamentals of Symbolic and
Numeric Processing. Lexington, Massachusetts: D. C. Heath and Company, 1992. 9–25 p.
OBERMEYER, Z.; LEE, T. H. Lost in Thought–The Limits of the Human Mind and the Future
of Medicine. New England Journal of Medicine, Massachusetts Medical Society, v. 377, n. 13,
p. 1209–1211, 2017.
OMS. https://www.who.int/publications/i/item/9789240037403. 2021. Disponível em:
https://www.who.int/publications/i/item/9789240031180. Acesso em: 08/11/2022.
OPAS, OMS. Oms publica primeiro relatório global sobre inteligência artificial na saúde
e seis princípios orientadores para sua concepção e uso. In: . [s.n.], 2021. [Online;
acessado em 08 de novembro de 2022]. Disponível em: <https://www.paho.org/pt/noticias/
28-6-2021-oms-publica-primeiro-relatorio-global-sobre-inteligencia-artificial-na-saude-e>.
PEDREGOSA, a. a. Scikit-learn: Machine Learning in Python. Journal of Machine Learning
Research, 2011. Disponível em: <https://scikit-learn.org/stable/index.html>.
PINILLA, e. a. Desarrollo de un sistema para la predicción de ocurrencia del síndrome
metabólico empleando técnicas de inteligencia artificial. Universidad Autónoma de
Bucaramanga UNAB - Facultad Ingeniería - Pregrado Ingeniería Biomédica, 2021. Acesso
em 11 de abril de 2022.
POLANCZYK, C. Prevenção de doenças cardiovasculares: avanços recentes e os próximos
desafios. Arquivos Brasileiros de Cardiologia, v. 85, n. 1, p. 3–6, 2005.
PRECOMA. Atualização da diretriz de prevenção cardiovascular da sociedade brasileira de
cardiologia – 2019) Arq Bras Cardiol. 2019; 113(4):787-891. In: . [S.l.: s.n.], 2019.
QUARESMA, J. O que é Machine Learning? Introdução e Conceitos Básicos. 2019.
<https://medium.com/data-hackers/>. Acesso em: 11 nov. 2022.
SAÚDE, B. V. E. Síndrome metabólica. 2017. <https://www.bvsalud.org/temas-saude/?q=
sindrome+metabolica>. Acesso em 01 de maio de 2023.
SOMITI. Síndrome metabólica e doenças cardiovasculares. 2020. <http://blog.somiti.org.br/
sindrome-metabolica-e-doencas-cardiovasculares/>. Acessado em 30 de novembro de 2022.
SUDHA, P. N.; L, A.; S, R.; KASHYAP, S. A. A.; K, J. B. S. Machine learning techniques
for cardiovascular risk score -prediction. In: 2021 IEEE Mysore Sub Section International
Conference (MysuruCon). [S.l.: s.n.], 2021. p. 505–509.
TUNES, M. Terreno fértil para a inteligência artificial. Revista Pesquisa FAPESP, 2022.
Disponível em: <https://brasilescola.uol.com.br/informatica/inteligencia-artificial.htm>.
WENG, S. F.; REPS, J.; KAI, J.; GARIBALDI, J. M.; QURESHI, N. Can machine-learning
improve cardiovascular risk prediction using routine clinical data? PloS one, Public Library of
Science, v. 12, n. 4, p. e0174944, 2017.

102
YANG, a. a. Comparison between metabolic syndrome and the framingham risk score as
predictors of cardiovascular diseases among kazakhs in xinjiang. BMC cardiovascular
disorders, Springer, v. 18, n. 1, p. 196, 2018.

103

APÊNDICE A – Algoritmo e Modelos: Código e Estruturas

A.1

EXPERIMENTOS NO CENÁRIO 1
Este trabalho faz parte de um estudo abrangente sobre o Risco Cardiovascular relacionado

à Síndrome Metabólica. O objetivo principal é extratificar o risco da população utilizando os
dados do Dataset MSWithInsulin.csv.

# Bibliotecas
import p a n d a s a s pd
import numpy a s np
import s e a b o r n a s s n s
from p a n d a s . _ l i b s import i n d e x
from numpy . l i b . s h a p e _ b a s e import c o l u m n _ s t a c k
from o p e r a t o r import add
from p a n d a s . c o r e . f r a m e import DataFrame
from p a n d a s . c o r e import a p p l y
# I m p o r t a d o o c o n j u n t o de d a d o s
sm = pd . r e a d _ c s v ( ’ M S W i t h I n s u l i n . c s v ’ )
sm . h e a d ( 1 )
# S l e c i o n a d o um s u b c o n j u n t o ( d a s c o l u n a s ) de um DataFrame :
# 6 M a r c a d o r e s u t i l i z a d o s no S c o r e de Framingham
d f = sm [ [ ’ a g e ’ , ’ s e x ’ , ’HDL ’ , ’ H y p e r t e n s i o n ’ , ’ B l o o d G l u c o s e ’ ,
’ smoking ’ , ’ M e t a b o l i c S y n d r o m e ’ ] ]
df . head ( 2 )
# Pre −p r o c e s s a m e n t o d o s d a d o s
# Remover v a l o r e s a u s e n t e s
df = df . dropna ( )
# Funcaoo p a r a c a l c u l a r o E s c o r e de Framingham com b a s e n o s
# d a d o s de uma l i n h a .
# E s t e c a l c u l o e b a s e a d o na t a b e l a de E s c o r e de R i s c o G l o b a l
(ERG) de Framingham do M i n i s t e r i o da Saude ,
# que f o i f o r n e c i d a a t r a v e s da imagem no s e g u i n t e

104
# l i n k : h t t p s : / / l i n h a s d e c u i d a d o . s a u d e . gov . b r / p o r t a l / o b e s i d a d e
# −no− a d u l t o / u n i d a d e −de−a t e n c a o −p r i m a r i a / p l a n e j a m e n t o −
t e r a p e u t i c o / escore − r i s c o − global −framingham /
# A t r i b u i c a o de p o n t o s de a c o r d o com o r i s c o g l o b a l ,
# p a r a homens
def framingham ( l i n h a ) :
t o t a l _ p o n t o s = 0 # Comecamos com o t o t a l de p o n t o s z e r a d o s .
i f l i n h a [ ’ s e x ’ ] == ’ Male ’ :
# Vamos p r i m e i r o t r a t a r da i d a d e :
# A q u i e s t o u a c e s s a n d o a p e n a s o v a l o r da c o l u n a ’ age ’ p a r a a
# l i n h a em q u e s t a o .
i d a d e = l i n h a [ ’ age ’ ]
# Dados de a c o r d o com o M i n i s t e r i o da Saude
if
i d a d e <= 3 4 : t o t a l _ p o n t o s += 0
# A l t e r e i o s d a d o s de a c o r d o com o M i n i s t e r i o da Saude
e l i f i d a d e <= 3 9 : t o t a l _ p o n t o s += 2
e l i f i d a d e <= 4 4 : t o t a l _ p o n t o s += 5
e l i f i d a d e <= 4 9 : t o t a l _ p o n t o s += 6
e l i f i d a d e <= 5 4 : t o t a l _ p o n t o s += 8
e l i f i d a d e <= 5 9 : t o t a l _ p o n t o s += 10
e l i f i d a d e <= 6 4 : t o t a l _ p o n t o s += 11
e l i f i d a d e <= 6 9 : t o t a l _ p o n t o s += 12
e l i f i d a d e <= 7 4 : t o t a l _ p o n t o s += 14
e l i f i d a d e >= 7 5 : t o t a l _ p o n t o s += 15
#HDL− C o l e s t e r o l
h d l c o l = l i n h a [ ’HDL ’ ]
i f h d l c o l >= 6 0 : t o t a l _ p o n t o s −= 2
e l i f h d l c o l <= 5 0 : t o t a l _ p o n t o s −= 1
e l i f h d l c o l <= 4 5 : t o t a l _ p o n t o s = 0
e l i f h d l c o l <= 3 5 : t o t a l _ p o n t o s += 1
e l i f h d l c o l < 3 5 : t o t a l _ p o n t o s += 2
# Pressao − a r t e r i a l
p r e a r t e r i a l = linha [ ’ Hypertension ’ ]
i f p r e a r t e r i a l == 0 : t o t a l _ p o n t o s += 0
e l i f p r e a r t e r i a l == 1 : t o t a l _ p o n t o s += 3

105

# D i a b e t e , d i a g n o s t i c o s e g u i n d o a r e c o m e n d a c a o da Abeso −
# h t t p s : / / abeso . org . br / c o n c e i t o s / d i a b e t e s / Informacao baseada
# no t e s t e J e j u m *
d i a b e t e = l i n h a [ ’ BloodGlucose ’ ]
i f d i a b e t e < 1 2 6 : t o t a l _ p o n t o s += 0
e l i f d i a b e t e >= 1 2 7 : t o t a l _ p o n t o s += 3
# Tabagismo
t a b a g i s m o = l i n h a [ ’ smoking ’ ]
i f t a b a g i s m o == ’ N e v e r _ s m o k e r ’ : t o t a l _ p o n t o s = 0
e l i f t a b a g i s m o == ’ C u r r e n t _ e v e r y _ d a y _ s m o k e r ’ : t o t a l _ p o n t o s = 4
# D e p o i s de t u d o computado e s o r e t o r n a r o r i s c o com
# b a s e no t o t a l de p o n t o s :
# R e t o r n a n d o a q u i o v a l o r da p o r c e n t a g e m
# de r i s c o de ECV em 10 a n o s
i f t o t a l _ p o n t o s <= −3: r e t u r n −1
e l i f t o t a l _ p o n t o s == −2: r e t u r n 1 . 1
e l i f t o t a l _ p o n t o s == −1: r e t u r n 1 . 4
e l i f t o t a l _ p o n t o s == 0 : r e t u r n 1 . 6
e l i f t o t a l _ p o n t o s == 1 : r e t u r n 1 . 9
e l i f t o t a l _ p o n t o s == 2 : r e t u r n 2 . 3
e l i f t o t a l _ p o n t o s == 3 : r e t u r n 2 . 8
e l i f t o t a l _ p o n t o s == 4 : r e t u r n 3 . 3
e l i f t o t a l _ p o n t o s == 5 : r e t u r n 3 . 9
e l i f t o t a l _ p o n t o s == 6 : r e t u r n 4 . 7
e l i f t o t a l _ p o n t o s == 7 : r e t u r n 5 . 6
e l i f t o t a l _ p o n t o s == 8 : r e t u r n 6 . 7
e l i f t o t a l _ p o n t o s == 9 : r e t u r n 7 . 9
e l i f t o t a l _ p o n t o s == 1 0 : r e t u r n 9 . 4
e l i f t o t a l _ p o n t o s == 1 1 : r e t u r n 1 1 . 2
e l i f t o t a l _ p o n t o s == 1 2 : r e t u r n 1 3 . 2
e l i f t o t a l _ p o n t o s == 1 3 : r e t u r n 1 5 . 6
e l i f t o t a l _ p o n t o s == 1 4 : r e t u r n 1 8 . 4
e l i f t o t a l _ p o n t o s == 1 5 : r e t u r n 2 1 . 6
e l i f t o t a l _ p o n t o s == 1 6 : r e t u r n 2 5 . 3
e l i f t o t a l _ p o n t o s == 1 7 : r e t u r n 2 9 . 4

106
e l i f t o t a l _ p o n t o s >= 1 8 : r e t u r n 30
# A t r i b u i c a o de p o n t o s de a c o r d o com o
# r i s c o global , para mulheres
e l i f l i n h a [ ’ s e x ’ ] == ’ Female ’ :
t o t a l _ p o n t o s = 0 # Comeca com o t o t a l de p o n t o s z e r a d o s .
# Vamos p r i m e i r o t r a t a r da i d a d e :
# A q u i e s t o u a c e s s a n d o a p e n a s o v a l o r da c o l u n a ’ age ’
# p a r a a l i n h a em q u e s t a o .
i d a d e = l i n h a [ ’ age ’ ]
# A l t e r e i o s d a d o s de a c o r d o com o M i n i s t e r i o da Saude
if
i d a d e <= 3 4 : t o t a l _ p o n t o s += 0
# A l t e r e i o s d a d o s de a c o r d o com o M i n i s t e r i o da Saude
e l i f i d a d e <= 3 9 : t o t a l _ p o n t o s += 2
e l i f i d a d e <= 4 4 : t o t a l _ p o n t o s += 4
e l i f i d a d e <= 4 9 : t o t a l _ p o n t o s += 5
e l i f i d a d e <= 5 4 : t o t a l _ p o n t o s += 7
e l i f i d a d e <= 5 9 : t o t a l _ p o n t o s += 8
e l i f i d a d e <= 6 4 : t o t a l _ p o n t o s += 9
e l i f i d a d e <= 6 9 : t o t a l _ p o n t o s += 10
e l i f i d a d e <= 7 4 : t o t a l _ p o n t o s += 11
e l i f i d a d e >= 7 5 : t o t a l _ p o n t o s += 12
# A l t e r e i o s d a d o s de a c o r d o com o M i n i s t e r i o da Saude
#HDL− C o l e s t e r o l
h d l c o l = l i n h a [ ’HDL ’ ]
i f h d l c o l >= 6 0 : t o t a l _ p o n t o s −= 2
e l i f h d l c o l <= 5 0 : t o t a l _ p o n t o s −= 1
e l i f h d l c o l <= 4 5 : t o t a l _ p o n t o s = 0
e l i f h d l c o l <= 3 5 : t o t a l _ p o n t o s += 1
e l i f h d l c o l < 3 5 : t o t a l _ p o n t o s += 2
# Pressao − a r t e r i a l
p r e a r t e r i a l = linha [ ’ Hypertension ’ ]
i f p r e a r t e r i a l == 0 : t o t a l _ p o n t o s += 0
e l i f p r e a r t e r i a l == 1 : t o t a l _ p o n t o s += 3
# D i a b e t e , d i a g n o s t i c o s e g u i n d o a r e c o m e n d a c a o da

107
# Abeso − h t t p s : / / a b e s o . o r g . b r / c o n c e i t o s / d i a b e t e s / I n f o r m a c a o
# b a s e a d a no t e s t e J e j u m *
d i a b e t e = l i n h a [ ’ BloodGlucose ’ ]
i f d i a b e t e < 1 2 6 : t o t a l _ p o n t o s += 0
e l i f d i a b e t e >= 1 2 7 : t o t a l _ p o n t o s += 4
# Tabagismo
t a b a g i s m o = l i n h a [ ’ smoking ’ ]
i f t a b a g i s m o == ’ N e v e r _ s m o k e r ’ : t o t a l _ p o n t o s = 0
e l i f t a b a g i s m o == ’ C u r r e n t _ e v e r y _ d a y _ s m o k e r ’ : t o t a l _ p o n t o s = 3
# D e p o i s de t u d o computado e s o r e t o r n a r o r i s c o com
# b a s e no t o t a l de p o n t o s :
i f t o t a l _ p o n t o s <= −2: r e t u r n 0 . 5
e l i f t o t a l _ p o n t o s == −1: r e t u r n 1
e l i f t o t a l _ p o n t o s == 0 : r e t u r n 1 . 2
e l i f t o t a l _ p o n t o s == 1 : r e t u r n 1 . 5
e l i f t o t a l _ p o n t o s == 2 : r e t u r n 1 . 7
e l i f t o t a l _ p o n t o s == 3 : r e t u r n 2 . 0
e l i f t o t a l _ p o n t o s == 4 : r e t u r n 2 . 4
e l i f t o t a l _ p o n t o s == 5 : r e t u r n 2 . 5
e l i f t o t a l _ p o n t o s == 6 : r e t u r n 3 . 3
e l i f t o t a l _ p o n t o s == 7 : r e t u r n 3 . 9
e l i f t o t a l _ p o n t o s == 8 : r e t u r n 4 . 5
e l i f t o t a l _ p o n t o s == 9 : r e t u r n 5 . 3
e l i f t o t a l _ p o n t o s == 1 0 : r e t u r n 6 . 3
e l i f t o t a l _ p o n t o s == 1 1 : r e t u r n 7 . 3
e l i f t o t a l _ p o n t o s == 1 2 : r e t u r n 8 . 6
e l i f t o t a l _ p o n t o s == 1 3 : r e t u r n 10
e l i f t o t a l _ p o n t o s == 1 4 : r e t u r n 1 1 . 7
e l i f t o t a l _ p o n t o s == 1 5 : r e t u r n 1 3 . 7
e l i f t o t a l _ p o n t o s == 1 6 : r e t u r n 1 5 . 9
e l i f t o t a l _ p o n t o s == 1 7 : r e t u r n 1 8 . 5
e l i f t o t a l _ p o n t o s == 1 8 : r e t u r n 2 1 . 6
e l i f t o t a l _ p o n t o s >= 1 9 : r e t u r n 2 4 . 8
e l i f t o t a l _ p o n t o s >= 2 0 : r e t u r n 2 8 . 5
e l i f t o t a l _ p o n t o s >= 2 1 : r e t u r n 3 0 . 5
# Agora p a r a c r i a r a nova c o l u n a , pode u s a r o metodo a p p l y .

108
# E l e v a i r o d a r l i n h a a l i n h a e e x e c u t a r a f u n c a o acima :
# C l a s s i f i c a c a o de r i s c o g l o b a l , s e g u n d o E s c o r e de Framingham .
# O nome da nova c o l u n a e RiscoECV ( E v e n t o de c a r d i o v a s c u l a r )
# Categoria :
# B a i x o = < 10%/ 10 a n o s
# − Moderado = 10 a 20%/ 10 a n o s e A l t o = >20%/ 10 a n o s
d f [ ’ RiscoECV ’ ] = d f . a p p l y ( lambda l i n h a : f r a m i n g h a m ( l i n h a ) , a x i s = 1 )
# A p l i c a r a f u n c a o p a r a c r i a r a nova c o l u n a ’ C a t e g o r i a ’
# C a t e g o r i a : B a i x o = <10%/ 10 a n o s −
# Moderado = 10 a 20%/ 10 a n o s e A l t o = >20%/ 10 a n o s
def c l a s s i f i c a r _ r i s c o ( r i s c o ) :
i f r i s c o < 10:
return ’ Baixo ’
e l i f r i s c o >= 10 and r i s c o <= 2 0 :
r e t u r n ’ Moderado ’
else :
return ’ Alto ’
d f [ ’ C a t e g o r i a ’ ] = d f [ ’ RiscoECV ’ ] . a p p l y ( c l a s s i f i c a r _ r i s c o )
# Funcao p a r a mapear a c a t e g o r i a de r i s c o p a r a d o e n c a s
# correspondentes
def mapear_doenca ( c a t e g o r i a ) :
i f c a t e g o r i a == ’ B a i x o ’ :
r e t u r n ’Sem d o e n c a c a r d i o v a s c u l a r ’
e l i f c a t e g o r i a == ’ Moderado ’ :
r e t u r n ’ Doenca c a r d i o v a s c u l a r i n t e r m e d i a r i a ’
else :
r e t u r n ’ Doenca c a r d i o v a s c u l a r a v a n c a d a ’
# A p l i c a r a f u n c a o p a r a c r i a r a nova c o l u n a ’ Doenca ’
d f [ ’ Doenca ’ ] = d f [ ’ C a t e g o r i a ’ ] . a p p l y ( m a p e a r _ d o e n c a )
# Gerar uma t a b e l a com a q u a n t i d a d e de p a c i e n t e s de a c o r d o
# com a c a t e g o r i a

109
import p a n d a s a s pd
tabela_categorias =
df [ ’ Categoria ’ ] . value_counts ( ) . r e s e t _ i n d e x ( )
t a b e l a _ c a t e g o r i a s . columns = [ ’ C a t e g o r i a ’ , ’ Quantidade ’ ]
print ( t a b e l a _ c a t e g o r i a s )
# C r i a r G r a f i c o de B a r r a s
import m a t p l o t l i b . p y p l o t a s p l t
# Ordenar a s c a t e g o r i a s em ordem c r e s c e n t e de
# a c o r d o com o i n d i c e
contagem_categorias =
df [ ’ Categoria ’ ] . value_counts ( ) . s o r t _ i n d e x ( )
# Mapear o s v a l o r e s da c o l u n a " C a t e g o r i a " p a r a a s d e s c r i c o e s
# correspondentes
c a t e g o r i a s = [ ’ A l t o r i s c o ’ , ’ B a i x o r i s c o ’ , ’ Moderado r i s c o ’ ]
# C r i a r o g r a f i c o de b a r r a s com a s c o r e s c o r r e s p o n d e n t e s
p l t . bar ( categorias , contagem_categorias . values ,
c o l o r = [ ’ #1 f 7 7 b 4 ’ , ’ #2 c a 0 2 c ’ , ’ # f f 7 f 0 e ’ ] )
# D e f i n i r o t i t u l o do g r a f i c o e d o s e i x o s
p l t . t i t l e ( ’ Contagem de C a t e g o r i a s ’ )
plt . xlabel ( ’ Categoria ’ )
p l t . y l a b e l ( ’ Quantidade ’ )
# A d i c i o n a r r o t u l o s nas b a r r a s
f o r i , v i n enumerate ( c o n t a g e m _ c a t e g o r i a s . v a l u e s ) :
p l t . t e x t ( i , v + 10 , s t r ( v ) , c o l o r = ’ black ’ ,
ha = ’ c e n t e r ’ , f o n t w e i g h t = ’ b o l d ’ )
# Exibir o grafico
p l t . show ( )
# C a l c u l a r a s e s t a t i s t i c a s d e s c r i t i v a s do " RiscoECV "
e s t a t i s t i c a s = d f [ ’ RiscoECV ’ ] . d e s c r i b e ( )

110
d e s c _ s t a t s = e s t a t i s t i c a s . round ( 3 )
# E x i b i r as e s t a t i s t i c a s
print ( desc_stats )

descritivas

# C o n t a r a q u a n t i d a d e de uma d e t e r m i n a d a c o l u n a
df . sex . value_counts ( )
# C a l c u l o p a r a e l a b o r a r a e s t a t i s t i c a de t o d a s a s
# t r e s populacoes
import m a t p l o t l i b . p y p l o t a s p l t
# C a l c u l o d a s e s t a t i s t i c a s d e s c r i t i v a s da p o p u l a c a o g e r a l
e s t a t i s t i c a s _ g e r a l = d f [ ’ RiscoECV ’ ] . d e s c r i b e ( )
# C a l c u l o d a s e s t a t i s t i c a s d e s c r i t i v a s da p o p u l a c a o sem SM
e s t a t i s t i c a s _ s e m _ s i n d r o m e = d f 1 [ ’ RiscoECV ’ ] . d e s c r i b e ( )
# C a l c u l o d a s e s t a t i s t i c a s d e s c r i t i v a s da p o p u l a c a o com SM
e s t a t i s t i c a s _ c o m _ s i n d r o m e = d f 2 [ ’ RiscoECV ’ ] . d e s c r i b e ( )
# Calculo das d i f e r e n c a s p e r c e n t u a i s
d i f f _ m e d i a = ( e s t a t i s t i c a s _ c o m _ s i n d r o m e [ ’ mean ’ ] −
e s t a t i s t i c a s _ s e m _ s i n d r o m e [ ’ mean ’ ] ) /
e s t a t i s t i c a s _ s e m _ s i n d r o m e [ ’ mean ’ ] * 100
# E x i b i c a o o das e s t a t i s t i c a s d e s c r i t i v a s
p r i n t ( " E s t a t i s t i c a s da P o p u l a c a o G e r a l : " )
print ( e s t a t i s t i c a s _ g e r a l )
print ()
p r i n t ( " E s t a t i s t i c a s da P o p u l a c a o sem S i n d r o m e M e t a b o l i c a : " )
print ( estatisticas_sem_sindrome )
print ()
p r i n t ( " E s t a t i s t i c a s da P o p u l a c a o com S i n d r o m e M e t a b o l i c a : " )
print ( estatisticas_com_sindrome )
print ()

111
p r i n t ( " D i f e r e n c a P e r c e n t u a l na Media do
RiscoECV e n t r e a s P o p u l a c o e s : " )
p r i n t ( f " D i f e r e n c a : { d i f f _ m e d i a : . 2 f}%" )
print ()
# C a l c u l o d a s c o n t a g e n s de cada c a t e g o r i a na p o p u l a c a o sem SM
count_sem_sindrome =
df1 [ ’ Categoria ’ ] . value_counts ( ) . r e s e t _ i n d e x ( )
count_sem_sindrome . columns =
[ ’ Categoria ’ , ’ Quantidade ’ ]
count_sem_sindrome [ ’ Porcentagem ’ ] =
c o u n t _ s e m _ s i n d r o m e [ ’ Q u a n t i d a d e ’ ] / l e n ( d f 1 ) * 100
# C a l c u l o d a s c o n t a g e n s de cada c a t e g o r i a na p o p u l a c a o com SM
count_com_sindrome =
df2 [ ’ Categoria ’ ] . value_counts ( ) . r e s e t _ i n d e x ( )
count_com_sindrome . columns =
[ ’ Categoria ’ , ’ Quantidade ’ ]
count_com_sindrome [ ’ Porcentagem ’ ] =
c o u n t _ c o m _ s i n d r o m e [ ’ Q u a n t i d a d e ’ ] / l e n ( d f 2 ) * 100
# D i s t r i b u i c a o das C a t e g o r i a s nas Populacoes
import m a t p l o t l i b . p y p l o t a s p l t
# C a l c u l o d a s c o n t a g e n s de cada c a t e g o r i a na p o p u l a c a o sem SM
count_sem_sindrome =
df1 [ ’ Categoria ’ ] . value_counts ( ) . r e s e t _ i n d e x ( )
count_sem_sindrome . columns =
[ ’ Categoria ’ , ’ Quantidade ’ ]
count_sem_sindrome [ ’ Porcentagem ’ ] =
c o u n t _ s e m _ s i n d r o m e [ ’ Q u a n t i d a d e ’ ] / l e n ( d f 1 ) * 100
# C a l c u l o d a s c o n t a g e n s de cada c a t e g o r i a na p o p u l a c a o com SM
count_com_sindrome =
df2 [ ’ Categoria ’ ] . value_counts ( ) . r e s e t _ i n d e x ( )
count_com_sindrome . columns =
[ ’ Categoria ’ , ’ Quantidade ’ ]
count_com_sindrome [ ’ Porcentagem ’ ] =
c o u n t _ c o m _ s i n d r o m e [ ’ Q u a n t i d a d e ’ ] / l e n ( d f 2 ) * 100

112

# P l o t a g e m do g r a f i c o de b a r r a s
f i g , ax = p l t . s u b p l o t s ( f i g s i z e = ( 8 , 6 ) )
ax . b a r ( c o u n t _ s e m _ s i n d r o m e [ ’ C a t e g o r i a ’ ] ,
c o u n t _ s e m _ s i n d r o m e [ ’ Q u a n t i d a d e ’ ] , l a b e l = ’Sem SM’ )
ax . b a r ( c o u n t _ c o m _ s i n d r o m e [ ’ C a t e g o r i a ’ ] ,
c o u n t _ c o m _ s i n d r o m e [ ’ Q u a n t i d a d e ’ ] , l a b e l = ’Com SM’ )
ax . s e t _ x l a b e l ( ’ C a t e g o r i a ’ )
ax . s e t _ y l a b e l ( ’ Q u a n t i d a d e ’ )
ax . s e t _ t i t l e ( ’ D i s t r i b u i c a o d a s C a t e g o r i a s n a s P o p u l a c o e s ’ )
ax . l e g e n d ( )
p l t . show ( )
O Cenário 1 representa uma etapa fundamental do estudo, onde são aplicadas técnicas
específicas para analisar e quantificar o risco cardiovascular associado à Síndrome Metabólica.
A estratificação do risco nos permite identificar diferentes grupos de indivíduos com base em
seus perfis de risco.

113

A.2 CÓDIGO: EXPERIMENTOS NO CENÁRIO 2 - REGRESSÃO
Seleção do Melhor Modelo de Regressão

# Importar as b i b l i o t e c a s n e c e s s a r i a s
import p a n d a s a s pd
import numpy a s np
from s k l e a r n . m o d e l _ s e l e c t i o n import t r a i n _ t e s t _ s p l i t ,
GridSearchCV
from s k l e a r n . p r e p r o c e s s i n g import S t a n d a r d S c a l e r ,
OneHotEncoder
from s k l e a r n . i m p u t e import S i m p l e I m p u t e r
from s k l e a r n . compose import C o l u m n T r a n s f o r m e r
from s k l e a r n . p i p e l i n e import P i p e l i n e
from s k l e a r n . l i n e a r _ m o d e l import L i n e a r R e g r e s s i o n
from s k l e a r n . l i n e a r _ m o d e l import L o g i s t i c R e g r e s s i o n
from s k l e a r n . t r e e import D e c i s i o n T r e e R e g r e s s o r
from s k l e a r n . e n s e m b l e import G r a d i e n t B o o s t i n g R e g r e s s o r
from s k l e a r n . e n s e m b l e import R a n d o m F o r e s t R e g r e s s o r
from s k l e a r n . svm import SVR
from s k l e a r n . n e i g h b o r s import K N e i g h b o r s R e g r e s s o r
from s k l e a r n . m e t r i c s import a c c u r a c y _ s c o r e ,
mean_absolute_error ,
mean_squared_error , r2_score
# 1. Importando o DataSet
sm = pd . r e a d _ c s v ( ’ M S W i t h I n s u l i n . c s v ’ )
# Pegar um s u b c o n j u n t o ( d a s c o l u n a s ) de um DataFrame :
# M a r c a d o r e s do
# E s c o r e de Framingham
d = sm [ [ ’ a g e ’ , ’ s e x ’ , ’HDL ’ , ’ H y p e r t e n s i o n ’ , ’ B l o o d G l u c o s e ’ ,
’ smoking ’ , ’ M e t a b o l i c S y n d r o m e ’ ] ]
d . head ( 2 )
# E s s a abordagem de c o d i f i c a c a o e u t i l quando s e l i d a
# com v a r i a v e i s c a t e g o r i c a s que

114
# precisam s e r r e p r e s e n t a d a s numericamente para uso
# em a l g o r i t m o s de a p r e n d i z a d o de maquina .
# Bibliotecas
from s k l e a r n import p r e p r o c e s s i n g
l e = p r e p r o c e s s i n g . LabelEncoder ( )
df = d . i l o c [ : , : ]
l e . f i t ( df . sex )
df [ ’ sex ’ ] = l e . t r a n s f o r m ( df . sex )
l e . f i t ( d f . smoking )
d f [ ’ smoking ’ ] = l e . t r a n s f o r m ( d f . smoking )
# Pre −p r o c e s s a m e n t o d o s d a d o s
# Remover v a l o r e s a u s e n t e s
df = df . dropna ( )
# Separar as f e a t u r e s e o t a r g e t
X = d f . d r o p ( [ ’ M e t a b o l i c S y n d r o m e ’ ] , a x i s = 1)
y = df [ ’ MetabolicSyndrome ’ ]
# Criando p i p e l i n e s para os modelos usados n e s t a p e s q u i s a
pipelines = []
p i p e l i n e s . a p p e n d ( ( ’LR ’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
LogisticRegression ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’DT ’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
DecisionTreeRegressor ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’RF ’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
RandomForestRegressor ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’GBM’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
GradientBoostingRegressor ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’SVM’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ , SVR ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’KNN’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
KNeighborsRegressor ( ) ) ] ) ) )
# D i v i d i r o s d a d o s em t r e i n o e t e s t e
X _ t r a i n , X _ t e s t , y _ t r a i n , y _ t e s t = t r a i n _ t e s t _ s p l i t (X, y ,
t e s t _ s i z e = 0 . 2 , r a n d o m _ s t a t e = 42 )

115
# T r e i n a n d o e a v a l i a a n d o o s d i f e r e n t e s m o d e l o s c a d a s t r a d o s no p i p e l n e
results = []
names = [ ]
f o r name , p i p e l i n e i n p i p e l i n e s :
p i p e l i n e . f i t ( X_train , y _ t r a i n )
y_pred = p i p e l i n e . p r e d i c t ( X_test )
r2 = r2_score ( y_test , y_pred )
p r i n t ( name , r 2 )
r e s u l t s . append ( r2 )
names . a p p e n d ( name )
# E x i b i r r e s u l t a d o s em um g r a f i c o de b a r r a s
import m a t p l o t l i b . p y p l o t a s p l t
f i g , ax = p l t . s u b p l o t s ( )
ax . b a r ( names , r e s u l t s )
ax . s e t _ x l a b e l ( ’ Modelos ’ )
ax . s e t _ y l a b e l ( ’ C o e f i c i e n t e de d e t e r m i n a c a o ( R2 ao q u a d r a d o ) ’ )
ax . s e t _ y l i m ( b o t t o m = 0 . 0 , t o p = 1 . 0 )
ax . s e t _ t i t l e ( ’ Desempenho d o s m o d e l o s ’ )
p l t . show ( )
# E s c o l h e r o m e l h o r modelo
b e s t _ i d x = np . argmax ( r e s u l t s )
best_pipeline = pipelines [ best_idx ][1]
b e s t _ n a m e = names [ b e s t _ i d x ]
p a r a m s = {}
i f b e s t _ n a m e == ’LR ’ :
params = { ’ R e g r e s s o r _ _ p e n a l t y ’ : [ ’ l 1 ’ , ’ l 2 ’ ,
’ e l a s t i c n e t ’ , ’ none ’ ] ,
’ Regressor__C ’ : [ 0 . 0 1 , 0 . 1 , 1 , 10 , 100]}
e l i f b e s t _ n a m e == ’DT ’ :
params = { ’ R e g r e s s o r _ _ c r i t e r i o n ’ : [ ’ p o i s s o n ’ , ’ friedman_mse ’ ,
’ absolute_error ’ , ’ squared_error ’ ] ,
’ Regressor__max_depth ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’RF ’ :
params = { ’ R e g r e s s o r _ _ n _ e s t i m a t o r s ’ : [10 0 , 500 , 1000] ,
’ Regressor__max_depth ’ : [3 , 5 , 7 , 9]}

116
e l i f b e s t _ n a m e == ’GBM’ :
params = { ’ R e g r e s s o r _ _ l e a r n i n g _ r a t e ’ : [ 0 . 0 1 , 0 . 1 , 1 ] ,
’ R e g r e s s o r _ _ n _ e s t i m a t o r s ’ : [100 , 500 , 1000] ,
’ Regressor__max_depth ’ : [3 , 5 , 7 , 9]}
# P a r a m e t r o s p a r a SVM
i f b e s t _ n a m e == ’SVM’ :
params = { ’ R e g r e s s o r _ _ k e r n e l ’ : [ ’ l i n e a r ’ , ’ poly ’ ,
’ rb f ’ , ’ sigmoid ’ ] ,
’ Regressor__C ’ : [ 0 . 0 1 , 0 . 1 , 1 , 10 , 100] ,
’ Regressor__gamma ’ : [ ’ s c a l e ’ , ’ a u t o ’ ] }
# P a r a m e t r o s p a r a KNN
e l i f b e s t _ n a m e == ’KNN’ :
params = { ’ R e g r e s s o r _ _ n _ n e i g h b o r s ’ : [ 3 , 5 , 7 , 9 ] ,
’ Regressor__weights ’ : [ ’ uniform ’ , ’ d i s t a n c e ’ ] ,
’ Regressor__p ’ : [1 , 2]}
g r i d _ s e a r c h = GridSearchCV ( b e s t _ p i p e l i n e , params ,
cv =5 , v e r b o s e = 1 )
grid_search . f i t ( X_train , y _ t r a i n )
# B u i l d a f o r e s t o f t r e e s from t h e t r a i n i n g s e t (X , y ) .
model = R a n d o m F o r e s t R e g r e s s o r ( )
data = df
X = d a t a . i l o c [ : , : − 1 ] # i n d e p e n d e n t columns
y = data . iloc [: , −1]
# MetabolicSyndrome
model . f i t (X, y )
p r i n t ( model . f e a t u r e _ i m p o r t a n c e s _ ) # u s e c l a s s e e m b u t i d a
f e a t u r e _ i m p o r t a n c e s de c l a s s i f i c a d o r e s b a s e a d o s em a r v o r e
# p l o t g r a f i c o de i m p o r t a n c i a s de r e c u r s o s p a r a m e l h o r
visualizacao
f e a t _ i m p o r t a n c e s = pd . S e r i e s ( model . f e a t u r e _ i m p o r t a n c e s _ ,
i n d e x =X . c o l u m n s )
feat_importances . n l a r g e s t ( 1 3 ) . p l o t ( kind= ’ barh ’ )
p l t . show ( )
# A v a l i a r o m e l h o r modelo o t i m i z a d o
y_pred = g r i d _ s e a r c h . p r e d i c t ( X_test )
r2 = r2_score ( y_test , y_pred )
p r i n t ( " B e s t Model : " , b e s t _ n a m e )

117
p r i n t ( " B e s t Model P a r a m e t e r s : " , g r i d _ s e a r c h . b e s t _ p a r a m s _ )
p r i n t ( " B e s t Model A c c u r a c y : " , r 2 )
p r i n t ( " B e s t Model R e g r e s s i o n : \ n " , r 2 _ s c o r e ( y _ t e s t , y _ p r e d ) )
from s k l e a r n . m e t r i c s import m e a n _ a b s o l u t e _ e r r o r ,
mean_squared_error , r2_score
# A v a l i a n d o o modelo p a r a i m p r i m i r d i f e r e n t e s m e t r i c a s :
def evaluate_model ( y_true , y_pred ) :
p r i n t ( " R2 S c o r e : " , r 2 _ s c o r e ( y _ t r u e , y _ p r e d ) )
p r i n t ( " Mean A b s o l u t e E r r o r : " ,
mean_absolute_error ( y_true , y_pred ) )
p r i n t ( " Mean S q u a r e d E r r o r : " ,
mean_squared_error ( y_true , y_pred ) )
p r i n t ( " Root Mean S q u a r e d E r r o r : " ,
m e a n _ s q u a r e d _ e r r o r ( y_true , y_pred , s q u a r e d = F a l s e ) )
# A v a l i a r o m e l h o r modelo o t i m i z a d o
y_pred = g r i d _ s e a r c h . p r e d i c t ( X_test )
evaluate_model ( y_test , y_pred )
from t a b u l a t e import t a b u l a t e
import p a n d a s a s pd
from s k l e a r n . m e t r i c s import m e a n _ a b s o l u t e _ e r r o r ,
mean_squared_error , r2_score
# A v a l i a r o m e l h o r modelo o t i m i z a d o
y_pred = g r i d _ s e a r c h . p r e d i c t ( X_test )
# D e f i n i r os r e s u l t a d o s
r e s u l t s = pd . DataFrame ( { ’ Modelo ’ : [ ’RF ’ ] ,
’ R2 S c o r e ’ : [ r 2 _ s c o r e ( y _ t e s t , y _ p r e d ) ] ,
’ Mean A b s o l u t e E r r o r ’ : [ m e a n _ a b s o l u t e _ e r r o r
( y_test , y_pred ) ] ,
’ Mean S q u a r e d E r r o r ’ : [ m e a n _ s q u a r e d _ e r r o r
( y_test , y_pred ) ] ,
’ Root Mean S q u a r e d E r r o r ’ : [ m e a n _ s q u a r e d _ e r r o r
( y _ t e s t , y_pred ,
squared=False ) ] } )

118

# E x i b i r a t a b e l a f o r m a t a d a com T a b u l a t e
print ( t a b u l a t e ( r e s u l t s , headers = ’ keys ’ , t a b l e f m t = ’ p s ql ’ ) )

119

A.3 CÓDIGO: EXPERIMENTOS NO CENÁRIO 2 - CLASSIFICAÇÃO
Seleção do Melhor Modelo de Classificação

# Importar as b i b l i o t e c a s n e c e s s a r i a s
import p a n d a s a s pd
import numpy a s np
from s k l e a r n . m o d e l _ s e l e c t i o n import t r a i n _ t e s t _ s p l i t ,
GridSearchCV
from s k l e a r n . p r e p r o c e s s i n g import S t a n d a r d S c a l e r , OneHotEncoder
from s k l e a r n . compose import C o l u m n T r a n s f o r m e r
from s k l e a r n . p i p e l i n e import P i p e l i n e
from s k l e a r n . l i n e a r _ m o d e l import L o g i s t i c R e g r e s s i o n
from s k l e a r n . t r e e import D e c i s i o n T r e e C l a s s i f i e r
from s k l e a r n . e n s e m b l e import R a n d o m F o r e s t C l a s s i f i e r ,
GradientBoostingClassifier
from s k l e a r n . svm import SVC
from s k l e a r n . n e i g h b o r s import K N e i g h b o r s C l a s s i f i e r
from s k l e a r n . m e t r i c s import a c c u r a c y _ s c o r e ,
classification_report
# 1. Importando o DataSet
sm = pd . r e a d _ c s v ( ’ M S W i t h I n s u l i n . c s v ’ )
sm . h e a d ( 2 )
# Pegar um s u b c o n j u n t o ( d a s c o l u n a s ) de um DataFrame :
# M a r c a d o r e s u s a d o s p a r a d i a g n o s t i c o da SM
d f = sm [ [ ’ a g e ’ , ’ s e x ’ , ’HDL ’ , ’ H y p e r t e n s i o n ’ ,
’ B l o o d G l u c o s e ’ , ’ smoking ’ , ’ M e t a b o l i c S y n d r o m e ’ ] ]
# Pre −p r o c e s s a m e n t o d o s d a d o s
# Remover v a l o r e s a u s e n t e s
df = df . dropna ( )
# E s s a abordagem de c o d i f i c a c a o e u t i l quando s e l i d a
# com v a r i a v e i s c a t e g o r i c a s que

120
# precisam s e r r e p r e s e n t a d a s numericamente para uso
# em a l g o r i t m o s de a p r e n d i z a d o de maquina .
from s k l e a r n import p r e p r o c e s s i n g
l e = p r e p r o c e s s i n g . LabelEncoder ( )
df1 = df . i l o c [ : , : ]
l e . f i t ( df1 . sex )
df1 [ ’ sex ’ ] = l e . transform ( df1 . sex )
l e . f i t ( d f 1 . smoking )
d f 1 [ ’ smoking ’ ] = l e . t r a n s f o r m ( d f 1 . smoking )
# Separar as f e a t u r e s e o t a r g e t
X = d f . d r o p ( [ ’ M e t a b o l i c S y n d r o m e ’ ] , a x i s = 1)
y = df [ ’ MetabolicSyndrome ’ ]
# Criar p i p e l i n e s para d i f e r e n t e s modelos
pipelines = []
p i p e l i n e s . a p p e n d ( ( ’LR ’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
LogisticRegression ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’DT ’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
DecisionTreeClassifier ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’RF ’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
RandomForestClassifier ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’GBM’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
GradientBoostingClassifier ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’SVM’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ , SVC ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’KNN’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
KNeighborsClassifier ( ) ) ] ) ) )
# D i v i d i r o s d a d o s em t r e i n o e t e s t e
X_train , X_test , y_train , y _ t e s t =
t r a i n _ t e s t _ s p l i t (X, y , t e s t _ s i z e = 0 . 2 , r a n d o m _ s t a t e =4 2 )
# T r e i n a r e a v a l i a r d i f e r e n t e s modelos
results = []
names = [ ]
f o r name , p i p e l i n e i n p i p e l i n e s :
p i p e l i n e . f i t ( X_train , y _ t r a i n )
y_pred = p i p e l i n e . p r e d i c t ( X_test )

121
acc = accuracy_score ( y_test , y_pred )
p r i n t ( name , a c c )
r e s u l t s . append ( acc )
names . a p p e n d ( name )
# E s c o l h e r o m e l h o r modelo
b e s t _ i d x = np . argmax ( r e s u l t s )
best_pipeline = pipelines [ best_idx ][1]
b e s t _ n a m e = names [ b e s t _ i d x ]
p a r a m s = {}
i f b e s t _ n a m e == ’LR ’ :
params = { ’ c l a s s i f i e r _ _ p e n a l t y ’ : [ ’ l 1 ’ , ’ l 2 ’ ,
’ e l a s t i c n e t ’ , ’ none ’ ] ,
’ c l a s s i f i e r _ _ C ’ : [ 0 . 0 1 , 0 . 1 , 1 , 10 , 100]}
e l i f b e s t _ n a m e == ’DT ’ :
params = { ’ c l a s s i f i e r _ _ c r i t e r i o n ’ : [ ’ g i n i ’ , ’ e n t r o p y ’ ] ,
’ c l a s s i f i e r _ _ m a x _ d e p t h ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’RF ’ :
params = { ’ c l a s s i f i e r _ _ n _ e s t i m a t o r s ’ : [100 , 500 , 1000] ,
’ c l a s s i f i e r _ _ m a x _ d e p t h ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’GBM’ :
params = { ’ c l a s s i f i e r _ _ l e a r n i n g _ r a t e ’ : [ 0 . 0 1 , 0 . 1 , 1 ] ,
’ c l a s s i f i e r _ _ n _ e s t i m a t o r s ’ : [100 , 500 , 1000] ,
’ c l a s s i f i e r _ _ m a x _ d e p t h ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’SVM’ :
params = { ’ c l a s s i f i e r _ _ C ’ : [ 0 . 0 1 , 0 . 1 , 1 , 10 , 100] ,
’ classifier__kernel ’ : [ ’ linear ’ , ’ rbf ’ ,
’ poly ’ , ’ sigmoid ’ ]}
e l i f b e s t _ n a m e == ’KNN’ :
params = { ’ c l a s s i f i e r _ _ n _ n e i g h b o r s ’ : [ 3 , 5 , 7 , 9 ] ,
’ c l a s s i f i e r _ _ w e i g h t s ’ : [ ’ uniform ’ , ’ d i s t a n c e ’ ] ,
’ c l a s s i f i e r _ _ m e t r i c ’ : [ ’ euclidean ’ , ’ manhattan ’ ]}
g r i d _ s e a r c h = GridSearchCV ( b e s t _ p i p e l i n e , params ,
cv =5 , v e r b o s e = 1 )
grid_search . f i t ( X_train , y _ t r a i n )
import m a t p l o t l i b . p y p l o t a s p l t

122
# B u i l d a f o r e s t o f t r e e s from t h e t r a i n i n g s e t (X , y ) .
model = R a n d o m F o r e s t C l a s s i f i e r ( )
data = df
X = d a t a . i l o c [ : , : − 1 ] # i n d e p e n d e n t columns
y = data . iloc [: , −1]
# MetabolicSyndrome
model . f i t (X, y )
# u s e c l a s s e e m b u t i d a f e a t u r e _ i m p o r t a n c e s de c l a s s i f i c a d o r e s
# b a s e a d o s em a r v o r e
p r i n t ( model . f e a t u r e _ i m p o r t a n c e s _ )
# p l o t g r a f i c o de i m p o r t a n c i a s de r e c u r s o s p a r a
# melhor v i s u a l i z a c a o
f e a t _ i m p o r t a n c e s = pd . S e r i e s ( model . f e a t u r e _ i m p o r t a n c e s _ ,
i n d e x =X . c o l u m n s )
feat_importances . n l a r g e s t ( 1 3 ) . p l o t ( kind= ’ barh ’ )
p l t . show ( )
# A v a l i a r o m e l h o r modelo o t i m i z a d o
y_pred = g r i d _ s e a r c h . p r e d i c t ( X_test )
acc = accuracy_score ( y_test , y_pred )
p r i n t ( " B e s t Model : " , b e s t _ n a m e )
p r i n t ( " B e s t Model P a r a m e t e r s : " , g r i d _ s e a r c h . b e s t _ p a r a m s _ )
p r i n t ( " B e s t Model A c c u r a c y : " , a c c )
p r i n t ( " B e s t Model C l a s s i f i c a t i o n R e p o r t : \ n " ,
c l a s s i f i c a t i o n _ r e p o r t ( y_test , y_pred ) )
# B i b l i o t e c a s para p l o t a r o g r a f i c o
import m a t p l o t l i b . p y p l o t a s p l t
from s k l e a r n . m e t r i c s import r o c _ c u r v e , a u c
# Obter as p r o b a b i l i d a d e s p r e v i s t a s para a c l a s s e p o s i t i v a
y_prob = g r i d _ s e a r c h . p r e d i c t _ p r o b a ( X_ test ) [ : , 1]
# C a l c u l a r a t a x a de f a l s o s p o s i t i v o s ( FPR )
# e a t a x a de v e r d a d e i r o s p o s i t i v o s ( TPR )
fpr , tpr , t h r e s h o l d s = roc_curve ( y _ t e s t , y_prob )

123

# C a l c u l a r a a r e a s o b a c u r v a ROC (AUC)
roc_auc = auc ( fpr , t p r )
# P l o t a r a c u r v a ROC
plt . figure ()
p l t . p l o t ( f p r , t p r , c o l o r = ’ d a r k o r a n g e ’ , lw =2 ,
l a b e l = ’ROC c u r v e ( a r e a = %0.2 f ) ’ % r o c _ a u c )
p l t . p l o t ( [ 0 , 1 ] , [ 0 , 1 ] , c o l o r = ’ navy ’ , lw =2 , l i n e s t y l e = ’ −− ’ )
p l t . xlim ( [ 0 . 0 , 1 . 0 ] )
p l t . ylim ( [ 0 . 0 , 1 . 0 5 ] )
p l t . x l a b e l ( ’ Taxa de F a l s o s P o s i t i v o s ’ )
p l t . y l a b e l ( ’ Taxa de V e r d a d e i r o s P o s i t i v o s ’ )
p l t . t i t l e ( ’ Curva ROC ’ )
p l t . legend ( loc =" lower r i g h t " )
p l t . show ( )
# B i b l i o t e c a para p l o t a r a M a t r i z
import s e a b o r n a s s n s
# Gerar a m a t r i z de c o n f u s a o
cm = c o n f u s i o n _ m a t r i x ( y _ t e s t , y _ p r e d )
# C o n f i g u r a r o heatmap
p l t . f i g u r e ( f i g s i z e =(8 , 6))
s n s . h e a t m a p ( cm , a n n o t = True , f m t = " d " , cmap= " B l u e s " )
# Definir rotulos e t i t u l o
plt . xlabel ( " Predicted " )
p l t . ylabel ( " Actual " )
p l t . t i t l e ( " Confusion Matrix " )
# Exibir o grafico
p l t . show ( )

124

A.4 CÓDIGO: EXPERIMENTOS NO CENÁRIO 5 - REGRESSÃO
Seleção do Melhor Modelo de Regressão com Todas as Variáveis

# Importar as b i b l i o t e c a s n e c e s s a r i a s
import p a n d a s a s pd
import numpy a s np
from s k l e a r n . m o d e l _ s e l e c t i o n import t r a i n _ t e s t _ s p l i t , GridSearchCV
from s k l e a r n . p r e p r o c e s s i n g import S t a n d a r d S c a l e r , OneHotEncoder
from s k l e a r n . i m p u t e import S i m p l e I m p u t e r
from s k l e a r n . compose import C o l u m n T r a n s f o r m e r
from s k l e a r n . p i p e l i n e import P i p e l i n e
from s k l e a r n . l i n e a r _ m o d e l import L i n e a r R e g r e s s i o n
from s k l e a r n . l i n e a r _ m o d e l import L o g i s t i c R e g r e s s i o n
from s k l e a r n . t r e e import D e c i s i o n T r e e R e g r e s s o r
from s k l e a r n . e n s e m b l e import G r a d i e n t B o o s t i n g R e g r e s s o r
from s k l e a r n . e n s e m b l e import R a n d o m F o r e s t R e g r e s s o r
from s k l e a r n . svm import SVR
from s k l e a r n . n e i g h b o r s import K N e i g h b o r s R e g r e s s o r
from s k l e a r n . m e t r i c s import a c c u r a c y _ s c o r e ,
mean_absolute_error , mean_squared_error , r2_score
# c a r r e g a r o s d a d o s em um d a t a f r a m e
d a t a = pd . r e a d _ c s v ( " h e a r t _ s t a t l o g _ c l e v e l a n d _ h u n g a r y _ f i n a l . c s v " )
d a t a . head ( 1 )
X = d a t a . d r o p ( ’ t a r g e t ’ , a x i s = 1)
y = data [ ’ target ’ ]
# Criando p i p e l i n e s para os modelos usados n e s t a p e s q u i s a
pipelines = []
p i p e l i n e s . a p p e n d ( ( ’LR ’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
LogisticRegression ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’DT ’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
DecisionTreeRegressor ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’RF ’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
RandomForestRegressor ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’GBM’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,

125
GradientBoostingRegressor ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’SVM’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
SVR ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’KNN’ , P i p e l i n e ( [ ( ’ R e g r e s s o r ’ ,
KNeighborsRegressor ( ) ) ] ) ) )
# D i v i d i r c o n j u n t o de d a d o s em t r e i n a m e n t o e t e s t e
X_train , X_test , y_train , y _ t e s t =
t r a i n _ t e s t _ s p l i t (X, y , t e s t _ s i z e = 0 . 3 , r a n d o m _ s t a t e =4 2 )
# Treinando e a v a l i a a n d o os d i f e r e n t e s
# m o d e l o s c a d a s t r a d o s no p i p e l n e
results = []
names = [ ]
f o r name , p i p e l i n e i n p i p e l i n e s :
p i p e l i n e . f i t ( X_train , y _ t r a i n )
y_pred = p i p e l i n e . p r e d i c t ( X_test )
r2 = r2_score ( y_test , y_pred )
p r i n t ( name , r 2 )
r e s u l t s . append ( r2 )
names . a p p e n d ( name )
# E x i b i r r e s u l t a d o s em um g r a f i c o de b a r r a s
import m a t p l o t l i b . p y p l o t a s p l t
f i g , ax = p l t . s u b p l o t s ( )
ax . b a r ( names , r e s u l t s )
ax . s e t _ x l a b e l ( ’ Modelos ’ )
ax . s e t _ y l a b e l ( ’ C o e f i c i e n t e de d e t e r m i n a c a o ( R2 ) ’ )
ax . s e t _ y l i m ( b o t t o m = 0 . 0 , t o p = 1 . 0 )
ax . s e t _ t i t l e ( ’ Desempenho d o s m o d e l o s ’ )
p l t . show ( )
# E s c o l h e r o m e l h o r modelo
b e s t _ i d x = np . argmax ( r e s u l t s )
best_pipeline = pipelines [ best_idx ][1]
b e s t _ n a m e = names [ b e s t _ i d x ]

126
p a r a m s = {}
i f b e s t _ n a m e == ’LR ’ :
params = { ’ R e g r e s s o r _ _ p e n a l t y ’ : [ ’ l 1 ’ , ’ l 2 ’ , ’ e l a s t i c n e t ’ ,
’ none ’ ] ,
’ Regressor__C ’ : [ 0 . 0 1 , 0 . 1 , 1 , 10 , 100]}
e l i f b e s t _ n a m e == ’DT ’ :
params = { ’ R e g r e s s o r _ _ c r i t e r i o n ’ : [ ’ p o i s s o n ’ , ’ friedman_mse ’ ,
’ absolute_error ’ , ’ squared_error ’ ] ,
’ Regressor__max_depth ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’RF ’ :
params = { ’ R e g r e s s o r _ _ n _ e s t i m a t o r s ’ : [10 0 , 500 , 1000] ,
’ Regressor__max_depth ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’GBM’ :
params = { ’ R e g r e s s o r _ _ l e a r n i n g _ r a t e ’ : [ 0 . 0 1 , 0 . 1 , 1 ] ,
’ R e g r e s s o r _ _ n _ e s t i m a t o r s ’ : [100 , 500 , 1000] ,
’ Regressor__max_depth ’ : [3 , 5 , 7 , 9]}
# P a r a m e t r o s p a r a SVM
i f b e s t _ n a m e == ’SVM’ :
params = { ’ R e g r e s s o r _ _ k e r n e l ’ : [ ’ l i n e a r ’ , ’ poly ’ , ’ r b f ’ ,
’ sigmoid ’ ] ,
’ Regressor__C ’ : [ 0 . 0 1 , 0 . 1 , 1 , 10 , 100] ,
’ Regressor__gamma ’ : [ ’ s c a l e ’ , ’ a u t o ’ ] }
# P a r a m e t r o s p a r a KNN
e l i f b e s t _ n a m e == ’KNN’ :
params = { ’ R e g r e s s o r _ _ n _ n e i g h b o r s ’ : [ 3 , 5 , 7 , 9 ] ,
’ Regressor__weights ’ : [ ’ uniform ’ , ’ d i s t a n c e ’ ] ,
’ Regressor__p ’ : [1 , 2]}
g r i d _ s e a r c h = GridSearchCV ( b e s t _ p i p e l i n e , params , cv =5 ,
v e r b o s e =1 )
grid_search . f i t ( X_train , y _ t r a i n )

# B u i l d a f o r e s t o f t r e e s from t h e t r a i n i n g s e t (X , y ) .
model = R a n d o m F o r e s t R e g r e s s o r ( )
df = data
X = d a t a . i l o c [ : , : − 1 ] # i n d e p e n d e n t columns
y = data . iloc [: , −1]
# MetabolicSyndrome
model . f i t (X, y )

127
p r i n t ( model . f e a t u r e _ i m p o r t a n c e s _ ) # u s e c l a s s e
# e m b u t i d a f e a t u r e _ i m p o r t a n c e s de c l a s s i f i c a d o r e s
# b a s e a d o s em a r v o r e
# p l o t g r a f i c o de i m p o r t a n c i a s de r e c u r s o s p a r a
# melhor v i s u a l i z a c a o
f e a t _ i m p o r t a n c e s = pd . S e r i e s ( model . f e a t u r e _ i m p o r t a n c e s _ ,
i n d e x =X . c o l u m n s )
feat_importances . n l a r g e s t ( 1 3 ) . p l o t ( kind= ’ barh ’ )
p l t . show ( )
from t a b u l a t e import t a b u l a t e
import p a n d a s a s pd
from s k l e a r n . m e t r i c s import m e a n _ a b s o l u t e _ e r r o r ,
mean_squared_error , r2_score
# A v a l i a r o m e l h o r modelo o t i m i z a d o
y_pred = g r i d _ s e a r c h . b e s t _ e s t i m a t o r _ . p r e d i c t ( X_test )
best_estimator = grid_search . best_estimator_
# O b t e r o nome do e s t i m a d o r
e s t i m a t o r _ n a m e = None
f o r name , e s t i m a t o r i n b e s t _ e s t i m a t o r . n a m e d _ s t e p s . i t e m s ( ) :
i f hasattr ( estimator , ’ __class__ ’ ) :
e s t i m a t o r _ n a m e = e s t i m a t o r . _ _ c l a s s _ _ . __name__
break
# D e f i n i r os r e s u l t a d o s
r e s u l t s = pd . DataFrame ( { ’ Modelo ’ : [ e s t i m a t o r _ n a m e ] ,
’R2 S c o r e ’ : [ r 2 _ s c o r e ( y _ t e s t , y _ p r e d ) ] ,
’ Mean A b s o l u t e E r r o r ’ :
[ mean_absolute_error
( y_test , y_pred ) ] ,
’ Mean S q u a r e d E r r o r ’ :
[ mean_squared_error ( y_test , y_pred ) ] ,
’ Root Mean S q u a r e d E r r o r ’ :
[ mean_squared_error ( y_test ,
y_pred , s q u a r e d = F a l s e ) ] } )
# E x i b i r a t a b e l a f o r m a t a d a com T a b u l a t e

128
print ( t a b u l a t e ( r e s u l t s , headers = ’ keys ’ , t a b l e f m t = ’ p s ql ’ ) )
Seleção do Melhor Modelo de Regressão com 5 Variáveis
Para este modelo, é necessário repetir os passos descritos no APÊNDICE A - Código:
Experimentos no Cenário 5 - Regressão Seleção do Melhor Modelo de Regressão com 5 Variáveis,
utilizando o seguinte procedimento para gerar o DataFrame com as variáveis desejadas. Esse
procedimento é aplicável tanto para o caso em que são utilizadas 5 variáveis como para o caso
em que são utilizadas 3 variáveis.

# S e l e c i o n a r a s v a r i a v e i s da SM e FRS e f o r m a r um novo
# DataFrame
d f = d a t a [ [ ’ a g e ’ , ’ s e x ’ , ’ r e s t i n g bp s ’ , ’ c h o l e s t e r o l ’ ,
’ f a s t i n g blood sugar ’ , ’ t a r g e t ’ ] ]

A.5 CÓDIGO: EXPERIMENTOS NO CENÁRIO 5 - CLASSIFICAÇÃO
Seleção do Melhor Modelo de Classificação com Todas as Variáveis

# Importar as b i b l i o t e c a s n e c e s s a r i a s
import p a n d a s a s pd
import numpy a s np
from s k l e a r n . m o d e l _ s e l e c t i o n import t r a i n _ t e s t _ s p l i t , GridSearchCV
from s k l e a r n . p r e p r o c e s s i n g import S t a n d a r d S c a l e r , OneHotEncoder
from s k l e a r n . compose import C o l u m n T r a n s f o r m e r
from s k l e a r n . p i p e l i n e import P i p e l i n e
from s k l e a r n . l i n e a r _ m o d e l import L o g i s t i c R e g r e s s i o n
from s k l e a r n . t r e e import D e c i s i o n T r e e C l a s s i f i e r
from s k l e a r n . e n s e m b l e import R a n d o m F o r e s t C l a s s i f i e r ,
GradientBoostingClassifier
from s k l e a r n . svm import SVC
from s k l e a r n . n e i g h b o r s import K N e i g h b o r s C l a s s i f i e r
from s k l e a r n . m e t r i c s import a c c u r a c y _ s c o r e , c l a s s i f i c a t i o n _ r e p o r t
# 1. Importando o DataSet

129
d a t a = pd . r e a d _ c s v ( ’ h e a r t _ s t a t l o g _ c l e v e l a n d _ h u n g a r y _ f i n a l . c s v ’ )
d a t a . head ( 2 )
X = d a t a . d r o p ( ’ t a r g e t ’ , a x i s = 1)
y = data [ ’ target ’ ]
# Criar p i p e l i n e s para d i f e r e n t e s modelos
pipelines = []
p i p e l i n e s . a p p e n d ( ( ’LR ’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
LogisticRegression ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’DT ’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
DecisionTreeClassifier ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’RF ’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
RandomForestClassifier ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’GBM’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
GradientBoostingClassifier ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’SVM’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
SVC ( ) ) ] ) ) )
p i p e l i n e s . a p p e n d ( ( ’KNN’ , P i p e l i n e ( [ ( ’ c l a s s i f i e r ’ ,
KNeighborsClassifier ( ) ) ] ) ) )
# D i v i d i r o s d a d o s em t r e i n o e t e s t e
X_train , X_test , y_train , y _ t e s t =
t r a i n _ t e s t _ s p l i t (X, y , t e s t _ s i z e = 0 . 2 , r a n d o m _ s t a t e =4 2 )
# T r e i n a r e a v a l i a r d i f e r e n t e s modelos
results = []
names = [ ]
f o r name , p i p e l i n e i n p i p e l i n e s :
p i p e l i n e . f i t ( X_train , y _ t r a i n )
y_pred = p i p e l i n e . p r e d i c t ( X_test )
acc = accuracy_score ( y_test , y_pred )
p r i n t ( name , a c c )
r e s u l t s . append ( acc )
names . a p p e n d ( name )
# E x i b i r r e s u l t a d o s em um g r a f i c o de b a r r a s
import m a t p l o t l i b . p y p l o t a s p l t

130
f i g , ax = p l t . s u b p l o t s ( )
ax . b a r ( names , r e s u l t s )
ax . s e t _ x l a b e l ( ’ Modelos ’ )
ax . s e t _ y l a b e l ( ’ C o e f i c i e n t e de d e t e r m i n a c a o ( R2 ) ’ )
ax . s e t _ y l i m ( b o t t o m = 0 . 0 , t o p = 1 . 0 )
ax . s e t _ t i t l e ( ’ Desempenho d o s m o d e l o s ’ )
p l t . show ( )
# E s c o l h e r o m e l h o r modelo
b e s t _ i d x = np . argmax ( r e s u l t s )
best_pipeline = pipelines [ best_idx ][1]
b e s t _ n a m e = names [ b e s t _ i d x ]
p a r a m s = {}
i f b e s t _ n a m e == ’LR ’ :
params = { ’ c l a s s i f i e r _ _ p e n a l t y ’ : [ ’ l 1 ’ , ’ l 2 ’ , ’ e l a s t i c n e t ’ ,
’ none ’ ] ,
’ c l a s s i f i e r _ _ C ’ : [ 0 . 0 1 , 0 . 1 , 1 , 10 , 100]}
e l i f b e s t _ n a m e == ’DT ’ :
params = { ’ c l a s s i f i e r _ _ c r i t e r i o n ’ : [ ’ g i n i ’ , ’ e n t r o p y ’ ] ,
’ c l a s s i f i e r _ _ m a x _ d e p t h ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’RF ’ :
params = { ’ c l a s s i f i e r _ _ n _ e s t i m a t o r s ’ : [100 , 500 , 1000] ,
’ c l a s s i f i e r _ _ m a x _ d e p t h ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’GBM’ :
params = { ’ c l a s s i f i e r _ _ l e a r n i n g _ r a t e ’ : [ 0 . 0 1 , 0 . 1 , 1 ] ,
’ c l a s s i f i e r _ _ n _ e s t i m a t o r s ’ : [100 , 500 , 1000] ,
’ c l a s s i f i e r _ _ m a x _ d e p t h ’ : [3 , 5 , 7 , 9]}
e l i f b e s t _ n a m e == ’SVM’ :
params = { ’ c l a s s i f i e r _ _ C ’ : [ 0 . 0 1 , 0 . 1 , 1 , 10 , 100] ,
’ c l a s s i f i e r _ _ k e r n e l ’ : [ ’ l i n e a r ’ , ’ rbf ’ , ’ poly ’ ,
’ sigmoid ’ ]}
e l i f b e s t _ n a m e == ’KNN’ :
params = { ’ c l a s s i f i e r _ _ n _ n e i g h b o r s ’ : [ 3 , 5 , 7 , 9 ] ,
’ c l a s s i f i e r _ _ w e i g h t s ’ : [ ’ uniform ’ , ’ d i s t a n c e ’ ] ,
’ c l a s s i f i e r _ _ m e t r i c ’ : [ ’ euclidean ’ , ’ manhattan ’ ]}
g r i d _ s e a r c h = GridSearchCV ( b e s t _ p i p e l i n e , params , cv =5 ,
v e r b o s e =1 )

131
grid_search . f i t ( X_train , y _ t r a i n )

import m a t p l o t l i b . p y p l o t a s p l t
# B u i l d a f o r e s t o f t r e e s from t h e t r a i n i n g s e t (X , y ) .
model = R a n d o m F o r e s t C l a s s i f i e r ( )
df = data
X = df . i l o c [ : , : − 1 ] # i n d e p e n d e n t columns
y = df . i l o c [: , −1]
# MetabolicSyndrome
model . f i t (X, y )
p r i n t ( model . f e a t u r e _ i m p o r t a n c e s _ )
# u s e c l a s s e e m b u t i d a f e a t u r e _ i m p o r t a n c e s de
# c l a s s i f i c a d o r e s b a s e a d o s em a r v o r e
# p l o t g r a f i c o de i m p o r t a n c i a s de r e c u r s o s
# para melhor v i s u a l i z a c a o
f e a t _ i m p o r t a n c e s = pd . S e r i e s ( model . f e a t u r e _ i m p o r t a n c e s _ ,
i n d e x =X . c o l u m n s )
feat_importances . n l a r g e s t ( 1 3 ) . p l o t ( kind= ’ barh ’ )
p l t . show ( )
# A v a l i a r o m e l h o r modelo o t i m i z a d o
y_pred = g r i d _ s e a r c h . p r e d i c t ( X_test )
acc = accuracy_score ( y_test , y_pred )
p r i n t ( " B e s t Model : " , b e s t _ n a m e )
p r i n t ( " B e s t Model P a r a m e t e r s : " , g r i d _ s e a r c h . b e s t _ p a r a m s _ )
p r i n t ( " B e s t Model A c c u r a c y : " , a c c )
p r i n t ( " B e s t Model C l a s s i f i c a t i o n R e p o r t : \ n " ,
c l a s s i f i c a t i o n _ r e p o r t ( y_test , y_pred ) )
import m a t p l o t l i b . p y p l o t a s p l t
from s k l e a r n . m e t r i c s import r o c _ c u r v e , a u c
# Obter as p r o b a b i l i d a d e s p r e v i s t a s para a c l a s s e p o s i t i v a
y_prob = g r i d _ s e a r c h . p r e d i c t _ p r o b a ( X_ test ) [ : , 1]
# C a l c u l a r a t a x a de f a l s o s p o s i t i v o s ( FPR ) e a
# t a x a de v e r d a d e i r o s p o s i t i v o s ( TPR )
fpr , tpr , t h r e s h o l d s = roc_curve ( y _ t e s t , y_prob )

132
# C a l c u l a r a a r e a s o b a c u r v a ROC (AUC)
roc_auc = auc ( fpr , t p r )
# P l o t a r a c u r v a ROC
plt . figure ()
p l t . p l o t ( f p r , t p r , c o l o r = ’ d a r k o r a n g e ’ , lw =2 ,
l a b e l = ’ROC c u r v e ( a r e a = %0.2 f ) ’ % r o c _ a u c )
p l t . p l o t ( [ 0 , 1 ] , [ 0 , 1 ] , c o l o r = ’ navy ’ , lw =2 , l i n e s t y l e = ’ −− ’ )
p l t . xlim ( [ 0 . 0 , 1 . 0 ] )
p l t . ylim ( [ 0 . 0 , 1 . 0 5 ] )
p l t . x l a b e l ( ’ Taxa de F a l s o s P o s i t i v o s ’ )
p l t . y l a b e l ( ’ Taxa de V e r d a d e i r o s P o s i t i v o s ’ )
p l t . t i t l e ( ’ Curva ROC ’ )
p l t . legend ( loc =" lower r i g h t " )
p l t . show ( )
from s k l e a r n . m e t r i c s import c o n f u s i o n _ m a t r i x
import s e a b o r n a s s n s
# Gerar a m a t r i z de c o n f u s a o
cm = c o n f u s i o n _ m a t r i x ( y _ t e s t , y _ p r e d )
# C o n f i g u r a r o heatmap
p l t . f i g u r e ( f i g s i z e =(8 , 6))
s n s . h e a t m a p ( cm , a n n o t = True , f m t = " d " , cmap= " B l u e s " )
# Definir rotulos e t i t u l o
plt . xlabel ( " Predicted " )
p l t . ylabel ( " Actual " )
p l t . t i t l e ( " Confusion Matrix " )
# Exibir o grafico
p l t . show ( )
Seleção do Melhor Modelo de Classificação com 5 Variáveis
Para este modelo, é necessário repetir os passos descritos no APÊNDICE A - Código:
Experimentos no Cenário 5 - Seleção do Melhor Modelo de Classificação com 5 Variáveis,
utilizando o seguinte procedimento para gerar o DataFrame com as variáveis desejadas. Esse
procedimento é aplicável tanto para o caso em que são utilizadas 5 variáveis como para o caso

133
em que são utilizadas 3 variáveis.
# S e l e c i o n a r a s v a r i a v e i s da SM e FRS e f o r m a r um novo
# DataFrame
d f = d a t a [ [ ’ a g e ’ , ’ s e x ’ , ’ r e s t i n g bp s ’ , ’ c h o l e s t e r o l ’ ,
’ f a s t i n g blood sugar ’ , ’ t a r g e t ’ ] ]

A.6 CÓDIGO: EXPERIMENTOS NO CENÁRIO 6 - REGRESSÃO E CLASSIFICAÇÃO
Seleção do Melhor Modelo de Regressão com Todas as Variáveis
Para reproduzir os resultados obtidos neste experimento, é necessário importar as bibliotecas mencionadas abaixo e carregar o conjunto de dados específico utilizado nesta tarefa. Como
o objetivo é recomendar um modelo com base nos passos adotados nos experimentos do cenário
6, siga as etapas a seguir:
1 - Importe as seguintes bibliotecas:
2 - Carregue o banco de dados específico para esta tarefa. Certifique-se de ter o arquivo
de dados no formato apropriado (por exemplo, CSV) e defina o caminho correto para o arquivo.
Por exemplo:
3 - Siga os passos adotados nos experimentos realizados no cenário 6, que incluem etapas
como a separação dos atributos de entrada e do atributo alvo, pré-processamento dos dados,
treinamento de modelos e avaliação da precisão. Lembre-se de adaptar o código de acordo com
o seu ambiente e os detalhes específicos do conjunto de dados que você está utilizando.
# I m p o r t a r a s b i b l i o t e c a s n e c e s s a r i a s p a r a o s m o d e l o s de R e g r e s s a o
import p a n d a s a s pd
import numpy a s np
from s k l e a r n . m o d e l _ s e l e c t i o n import t r a i n _ t e s t _ s p l i t , GridSearchCV
from s k l e a r n . p r e p r o c e s s i n g import S t a n d a r d S c a l e r , OneHotEncoder
from s k l e a r n . i m p u t e import S i m p l e I m p u t e r
from s k l e a r n . compose import C o l u m n T r a n s f o r m e r
from s k l e a r n . p i p e l i n e import P i p e l i n e
from s k l e a r n . l i n e a r _ m o d e l import L i n e a r R e g r e s s i o n
from s k l e a r n . l i n e a r _ m o d e l import L o g i s t i c R e g r e s s i o n
from s k l e a r n . t r e e import D e c i s i o n T r e e R e g r e s s o r

134
from
from
from
from
from

s k l e a r n . e n s e m b l e import G r a d i e n t B o o s t i n g R e g r e s s o r
s k l e a r n . e n s e m b l e import R a n d o m F o r e s t R e g r e s s o r
s k l e a r n . svm import SVR
s k l e a r n . n e i g h b o r s import K N e i g h b o r s R e g r e s s o r
s k l e a r n . m e t r i c s import a c c u r a c y _ s c o r e ,
mean_absolute_error , mean_squared_error , r2_score

# C a r r e g a r o c o n j u n t o de d a d o s
d a t a = pd . r e a d _ c s v ( " f r a m i n g h a m . c s v " )
d a t a . head ( 1 )
Para os modelos de classificação, os mesmos passos mencionados anteriormente devem
ser adotados. Certifique-se de importar as seguintes bibliotecas necessárias para os modelos de
classificação:
Além disso, você precisará carregar o conjunto de dados específico para esta tarefa.
Certifique-se de ter o arquivo de dados no formato apropriado (por exemplo, CSV) e defina o
caminho correto para o arquivo.
Após importar as bibliotecas e carregar o conjunto de dados, você pode seguir os mesmos
passos adotados anteriormente para os modelos de regressão. Isso inclui etapas como a separação
dos atributos de entrada e do atributo alvo, pré-processamento dos dados, treinamento dos
modelos de classificação e avaliação da acurácia.
Certifique-se de ajustar o código de acordo com o seu ambiente e os detalhes específicos
do conjunto de dados que você está utilizando.

# Importar as b i b l i o t e c a s n e c e s s a r i a s
import p a n d a s a s pd
import numpy a s np
from s k l e a r n . m o d e l _ s e l e c t i o n import t r a i n _ t e s t _ s p l i t ,
GridSearchCV
from s k l e a r n . p r e p r o c e s s i n g import S t a n d a r d S c a l e r ,
OneHotEncoder
from s k l e a r n . compose import C o l u m n T r a n s f o r m e r
from s k l e a r n . p i p e l i n e import P i p e l i n e
from s k l e a r n . l i n e a r _ m o d e l import L o g i s t i c R e g r e s s i o n
from s k l e a r n . t r e e import D e c i s i o n T r e e C l a s s i f i e r
from s k l e a r n . e n s e m b l e import R a n d o m F o r e s t C l a s s i f i e r ,
GradientBoostingClassifier
from s k l e a r n . svm import SVC

135
from s k l e a r n . n e i g h b o r s import K N e i g h b o r s C l a s s i f i e r
from s k l e a r n . m e t r i c s import a c c u r a c y _ s c o r e , c l a s s i f i c a t i o n _ r e p o r t
# C a r r e g a r o c o n j u n t o de d a d o s
d a t a = pd . r e a d _ c s v ( " f r a m i n g h a m . c s v " )
d a t a . head ( 1 )