ALGORITMO MACHINE LEARNING PARA DIAGNÓSTICO DA HIPERTENSÃO A PARTIR DO NÚMERO DE PASSOS REALIZADOS POR DIA

José Ricardo Lourenço de Oliveira, Luís Felipe Silio, Bráulio Nascimento Lima, Adriano de Almeida Pereira, Gustavo Celestino Martins, Leandro Borelli de Camargo, Carlos Henrique Prevital Fileni, Marcelo Francisco Rodrigues, Ricardo Pablo Passos, Guanis de Barros Vilela Junior

Resumo


A construção de  algoritmos de Inteligência Artificial pode encontrar certos pontos críticos sendo a classificação dos resultados um deles. Neste estudo foi utilizado o KNN (K-Nearest Neighbors) embora seja considerado um classificador simples, porém amplamente utilizado. Na área da saúde são conhecidos os benefícios da atividade física na prevenção da hipertensão. Objetivo: averiguar o comportamento da acurácia, sensibilidade e precisão do KNN para diferentes valores de k (3, 5 e 25) em relação à identificação de hipertensos a partir do número de passos dados por dia. Métodos: A amostra é composta por 599 sujeitos de todos os gêneros, funcionários de um call center na cidade de Curitiba, Paraná. Para a aferição da PA foi utilizado um esfigmomanômetro da marca TechLine® modelo MG20 aferido e calibrado, foi estimado o número de passos dados por dia para cada sujeito. O algoritmo utilizado foi desenvolvido na linguagem Python® 3.0 e bibliotecas específicas do mesmo foram utilizadas. Foram utilizados 80% dos dados para o treinamento do algoritmo e 20% para a fase de testagem do mesmo. Resultados: para k=3 apresentou precisão de 0,98, sensibilidade 0,98 e F1-score de 0,98, sendo a acurácia de 98%. Para K=5, obteve precisão  de 0,97, sensibilidade 0,97 e F1-score de 0,97, sendo a acurácia de 97%. Para K=25, obteve precisão  de 0,94, sensibilidade 0,93 e F1-score de 0,93, sendo a acurácia de 93%. Conclusão: o algoritmo KNN, quando utilizado como classificador em uma machine learning que considera o número de passos que o sujeito realiza por dia, apresentou uma excelente confiabilidade.

DOI: 10.36692/v13n2-19


Palavras-chave


Inteligência Artificial, KNN, Saúde.

Referências


Barroso WKS, Rodrigues CIS, Bortolotto LA, Gomes MAM, Brandão AA, Feitosa ADM, et al. Diretrizes Brasileiras de Hipertensão Arterial – 2020. Arq Bras Cardiol. 2021;116(3):616-58.

Oliveira, Gustavo F et al. “Exercise Training and Endothelial Function in Hypertension: Effects of Aerobic and Resistance Training.” “Treinamento Físico e Função Endotelial em Hipertensos: Efeitos dos Treinamentos Aeróbico e Resistido.” Arquivos brasileiros de cardiologia vol. 116,5 (2021): 948-949. doi:10.36660/abc.20210111

WHO Cardiovascular Diseases. [(accessed on 15 july 2020)];2017 Available online: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds) [Ref list]

Khan, M. U., Aziz, S., Akram, T., Amjad, F., Iqtidar, K., Nam, Y., & Khan, M. A. (2021). Expert Hypertension Detection System Featuring Pulse Plethysmograph Signals and Hybrid Feature Selection and Reduction Scheme. Sensors (Basel, Switzerland), 21(1), 247. https://doi.org/10.3390/s21010247

Posadzki, P., Pieper, D., Bajpai, R., Makaruk, H., Könsgen, N., Neuhaus, AL, & Semwal, M. (2020). Exercício / atividade física e resultados de saúde: uma visão geral das revisões sistemáticas da Cochrane. BMC public health , 20 (1), 1724. https://doi.org/10.1186/s12889-020-09855-3

The Physical Activity Guidelines for Americans. Piercy KL, Troiano RP, Ballard RM, Carlson SA, Fulton JE, Galuska DA, George SM, Olson RD JAMA. 2018 Nov 20; 320(19):2020-2028.

Miko HC, Zillmann N, Ring-Dimitriou S, Dorner TE, Titze S, Bauer R. Auswirkungen von Bewegung auf die Gesundheit [Effects of Physical Activity on Health]. Gesundheitswesen. 2020 Sep;82(S 03):S184-S195. German. doi: 10.1055/a-1217-0549. Epub 2020 Sep 22. PMID: 32984942; PMCID: PMC7521632.

The effectiveness of physical activity interventions in improving well-being across office-based workplace settings: a systematic review.

The effectiveness of structured exercise in the south Asian population with type 2 diabetes: a systematic review.

Effects of Acute and Chronic Exercise on Immunological Parameters in the Elderly Aged: Can Physical Activity Counteract the Effects of Aging?

Cardiovascular Effects and Benefits of Exercise.Nystoriak MA, Bhatnagar A Front Cardiovasc Med. 2018; 5():135

Nuzum, H., Stickel, A., Corona, M., Zeller, M., Melrose, R. J., & Wilkins, S. S. (2020). Potential Benefits of Physical Activity in MCI and Dementia. Behavioural neurology, 2020, 7807856.

Siddappaji KK, Gopal S. Molecular mechanisms in Alzheimer’s disease and the impact of physical exercise with advancements in therapeutic approaches. AIMS Neurosci. 2021 Mar 19;8(3):357-389. doi: 10.3934/Neuroscience.2021020. PMID: 34183987; PMCID: PMC8222772.

Cardiovascular Effects and Benefits of Exercise. Nystoriak MA, Bhatnagar A Front Cardiovasc Med. 2018; 5():135.

Pedralli ML, Eibel B, Waclawovsky G, Schaun MI, Nisa-Castro-Neto W, Umpierre D, et al. Effects of exercise training on endothelial function in individuals with hypertension: a systematic review with meta-analysis. J Am Soc Hypertens. 2018; 12(12): e65-e75

Sakr, S., Elshawi, R., Ahmed, A. M., Qureshi, W. T., Brawner, C. A., Keteyian, S. J., Blaha, M. J., & Al-Mallah, M. H. (2017). Comparison of machine learning techniques to predict all-cause mortality using fitness data: the Henry ford exercIse testing (FIT) project. BMC medical informatics and decision making, 17(1), 174.

Dimopoulos, A. C., Nikolaidou, M., Caballero, F. F., Engchuan, W., Sanchez-Niubo, A., Arndt, H., Ayuso-Mateos, J. L., Haro, J. M., Chatterji, S., Georgousopoulou, E. N., Pitsavos, C., & Panagiotakos, D. B. (2018). Machine learning methodologies versus cardiovascular risk scores, in predicting disease risk. BMC medical research methodology, 18(1), 179.

Jerline Amutha, A., Padmajavalli, R., & Prabhakar, D. (2018). A novel approach for the prediction of treadmill test in cardiology using data mining algorithms implemented as a mobile application. Indian heart journal, 70(4), 511–518.

Sakr, S., Elshawi, R., Ahmed, A. M., Qureshi, W. T., Brawner, C. A., Keteyian, S. J., Blaha, M. J., & Al-Mallah, M. H. (2017). Comparison of machine learning techniques to predict all-cause mortality using fitness data: the Henry ford exercIse testing (FIT) project. BMC medical informatics and decision making, 17(1), 174.

Khan, M. U., Aziz, S., Akram, T., Amjad, F., Iqtidar, K., Nam, Y., & Khan, M. A. (2021). Expert Hypertension Detection System Featuring Pulse Plethysmograph Signals and Hybrid Feature Selection and Reduction Scheme. Sensors (Basel, Switzerland), 21(1), 247. https://doi.org/10.3390/s21010247

Lee, Malrey, Thomas M. Gatton, and Keun-Kwang Lee. 2010. “A Monitoring and Advisory System for Diabetes Patient Management Using a Rule-Based Method and KNN” Sensors 10, no. 4: 3934-3953. https://doi.org/10.3390/s100403934

Reis M, Weitzel L. Análise experimental da eficácia de algoritmos de aprendizado de máquina na classificação de registros de acidentes da navegação Revista de Sistemas de Informação da FSMA n. 19 (2017) pp. 42-52

Diretrizes do ACSM para os testes de esforço e sua prescrição. 10aed. Rio de Janeiro - RJ: Guanabara Koogan, 2018.

Lage CG. Avaliação e treinamento de pacientes com diabetes atendidos no centro hiperdia de Viçosa. 98 f. Dissertação (Mestrado em Educação Física) - Universidade Federal de Viçosa, 2015.

Passos RP, Silio LF, Nascimento Lima B, Lourenço de Oliveira JR, Pereira AA, Martins CM, Camargo LB, Fileni CHP, Rodrigues MF, Vilela Junior GB; Aplicação do classificador k-Nearest Neighbors (KNN) na área da saúde.Revista CPAQV – Centro de Pesquisas Avançadas em Qualidade de Vida | Vol.13| Nº. 2| Ano 2021| p. 2

Menezes DFB. Padrões de atividade física em adultos com deficiência auditiva: um estudo piloto. 54 f. Dissertação (Mestrado em Exercício e Saúde) - Universidade de Évora, 2014.

Gordia AP, Quadros TMB, Andaki ACR, Mendes EL, Mota J, Silva LR; Número de passos para discriminar pressão arterial elevada em jovens: quantos são o suficiente? Revista Brasileira de Atividade Física e Saúde 23e0044, 2018.

Andaki ACR, Júnior RA, Brito CJ, Mendes EL. Nível de atividade física como preditor de fatores de risco cardiovascular em crianças. Motriz, v. 19, n. 3, p. 8-15, 2013.

Oliveira RAR, Júnior RJM, Tavares DDF, Moreira OC, Martins JCB. Fatores associados à pressão arterial elevada em professores da educação básica. Rev. Educ. Fis/UEM, v. 26, n. 1, p. 119-129, 2015.

OBSERVAÇÃO: Os autores declaram não existir conflitos de interesse de qualquer natureza. Alguns dos autores são bolsistas Capes.


Texto completo: PDF

Apontamentos

  • Não há apontamentos.