Pesquisa utiliza inteligência artificial para classificar desfechos da tuberculose

Um estudo desenvolvido no curso de Engenharia de Computação, do Campus Bambuí, avaliou o uso de modelos de aprendizado de máquina para classificar diferentes desfechos relacionados ao tratamento da tuberculose. O trabalho resultou no artigo "Comparison of Tree-Based Machine Learning Models for Classification of Tuberculosis Outcomes in Brazil", publicado na IEEE Latin America Transactions. 

O artigo é assinado pela estudante Heloísa de Almeida Pereira, com orientação e coautoria de pesquisadores vinculados ao Grupo de Pesquisa em Sistemas Computacionais (GPSisCom), certificado pelo CNPq e sediado no Canastra HUB, no Campus Bambuí.

Clique Aqui | Leia o artigo na íntegra

A pesquisa analisou 53.656 registros epidemiológicos de Minas Gerais, referentes ao período de 2010 a 2024. A partir desses dados, os pesquisadores compararam quatro algoritmos de aprendizado de máquina baseados em árvores de decisão: Random Forest, XGBoost, CatBoost e LightGBM.

O objetivo foi verificar a capacidade dos modelos de classificar quatro possíveis resultados do tratamento: cura, abandono, óbito por tuberculose e óbito por outras causas.

Desafio está na identificação dos casos menos frequentes

Um dos aspectos analisados no trabalho foi o desbalanceamento da base de dados. Os registros de cura são mais numerosos que aqueles relacionados a abandono do tratamento e óbitos. Essa diferença pode interferir no desempenho dos modelos, especialmente na identificação dos desfechos menos frequentes.

Para avaliar esse efeito, os pesquisadores aplicaram técnicas de balanceamento e compararam o desempenho dos algoritmos em diferentes configurações dos dados. Nos dados sem balanceamento, os modelos acertaram, em média, 75% das previsões. No entanto, tiveram mais dificuldade para identificar corretamente os resultados mais críticos, ou seja, aqueles casos que exigiam maior atenção. Após o balanceamento, houve melhora na capacidade de classificação desses casos. Entre os modelos avaliados, o CatBoost apresentou o melhor desempenho geral no conjunto de experimentos realizados.

A análise mostrou que considerar, ao mesmo tempo, informações clínicas e socioeconômicas pode ajudar a diferenciar os diferentes resultados dos casos. Além disso, o estudo destaca que ter registros de notificação completos e de boa qualidade é importante para desenvolver modelos mais confiáveis de análise epidemiológica. 

Artigo é publicado em periódico científico internacional do IEEE

A publicação ocorreu na IEEE Latin America Transactions, periódico científico mensal do Institute of Electrical and Electronics Engineers (IEEE), voltado à divulgação de pesquisas nas áreas de engenharia, computação e tecnologias relacionadas. A revista adota avaliação por pares antes da publicação e está indexada em bases científicas reconhecidas, como IEEE Xplore, Web of Science e Scopus. Na classificação Qualis CAPES, o periódico está na categoria B1 na área de Engenharias IV.