Modelo matemático para prever probabilidade de quilombolas desenvolverem síndrome metabólica com fluxograma de atendimento de saúde
DOI:
https://doi.org/10.14808/sci.plena.2023.087501Palavras-chave:
grupo com ancestrais do continente africano, síndrome metabólica, aprendizado de máquinaResumo
Desenvolveu-se um modelo matemático utilizando algoritmos de Machine learning para prever probabilidade de quilombolas desenvolverem síndrome metabólica, bem como propor um fluxograma de atendimento de saúde. Este foi um estudo transversal com uso de inteligência artificial. Adotou-se como variável dependente ter ou não síndrome metabólica. Foi realizada a análise bivariada comparando-se as variáveis independentes, os indicadores antropométricos e bioquímicos em relação a presença de síndrome metabólica e as variáveis categóricas que foram avaliadas pelo teste do Qui-quadrado (p <0,05). Utilizou-se o teste de Análise de Variância ou Kruskal-Wallis conforme a tendência de normalidade avaliada pelo teste de Shapiro-Wilk e a ferramenta de análise de dados machine learning, por meio do método de Árvore de Decisão. A árvore de decisão para predição de síndrome metabólica em quilombolas apresentou acurácia de 75%, gerando um gráfico em relação ao processo, ilustrado por meio de fluxograma para orientar a tomada de decisão em relação à saúde e prevenção de síndrome metabólica. O modelo preditivo permitiu identificar os pontos de corte específicos dos indicadores antropométricos mais importantes a serem mensurados no primeiro atendimento de saúde dos quilombolas. A acurácia do modelo preditivo permite a aplicação do fluxograma em outras comunidades quilombolas, apresentando-se como uma ferramenta tecnológica facilitadora para tomada de decisão em saúde.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Ruth Cristini Torres, Marco Antônio Prado Nunes, Marcelo Mendonça Mota, Tharciano Luiz Teixeira Braga da Silva, Cristiane Costa da Cunha Oliveira, Cláudia Moura de Melo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.