Logo do repositório
 
Publicação

The use of Machine Learning in diabetes prevention

2026-01-16Artigo de investigação Acesso aberto
Ver registo simples
datacite.subject.fosCiências Médicas
dc.contributor.authorLopes, M.en_US
dc.contributor.authorFialho, Joanaen_US
dc.contributor.authorWanzeller, Cristinaen_US
dc.contributor.authorAutor correspondente: Fialho, Joana.en_US
dc.contributor.authorFialho, Joana
dc.contributor.authorWanzeller Guedes de Lacerda, Ana Cristina
dc.date.accessioned2026-04-15T12:42:51Z
dc.date.available2026-04-15T12:42:51Z
dc.date.issued2026-01-16en_US
dc.date.updated2026-04-13T17:32:08Z
dc.description.abstractIntrodução: A Diabetes Mellitus é uma das doenças crónicas que mais crescem no mundo. Diante disso, técnicas de Aprendizagem de Máquina (Machine Learning - ML) oferecem potencial para a identificação de padrões relevantes ao controle da doença. Objetivo: Analisar o impacto de técnicas de ML e a utilização de técnicas de seleção de características na predição da diabetes, utilizando o conjunto de dados “Diabetes Health Indicators”. Métodos: Aplicou-se a metodologia CRISP-DM. Os dados foram equilibrados com a técnica de subamostragem NearMiss. Utilizaram-se a Eliminação Recursiva de Características (RFE) e a Análise de Componentes Principais (PCA) para a seleção de atributos. Foram testados seis modelos: Random Forest, Gradient Boosting, KNN, Regressão Logística, Perceptron Multicamadas (MLP) e Redes Neurais Recorrentes (RNN). Resultados: A RNN destacou-se com acurácia de 86,8% e F1-score de 0,868 em dados balanceados. A combinação de RFE com MLP também apresentou desempenho robusto. O equilíbrio de classes melhorou significativamente os resultados. Conclusão: As técnicas de ML e DL são promissoras para a triagem clínica e políticas públicas. É necessário aumentar a representatividade dos dados, incorporar IA explicável e calibrar limiares para reduzir os falsos negativos, que são essenciais para aplicações práticas.por
dc.description.versioninfo:eu-repo/semantics/publishedVersion
dc.identifier.citationLopes, M. A., Lacerda, C., & Fialho, J. (2026). The use of Machine Learning in diabetes prevention. Millenium - Journal of Education, Technologies, and Health, 2(21e), e43168
dc.identifier.doidoi.org/10.29352/mill0221e.43168en_US
dc.identifier.slugcv-prod-4715403
dc.identifier.urihttp://hdl.handle.net/10400.19/9787
dc.language.isoN/Apor
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/
dc.subjectdiabetes mellitus
dc.subjectmachine learning
dc.subjectdeep learning
dc.subjectredes neurais recorrentes
dc.subjectseleção de atributos
dc.titleThe use of Machine Learning in diabetes preventionen_US
dc.typeresearch articleen_US
dspace.entity.typePublication
oaire.citation.issuee4en_US
oaire.citation.startPagee43168
oaire.citation.titleMillenium - Journal of Education, Technologies, and Healthen_US
oaire.citation.volume2(21e)en_US
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
person.familyNameFialho
person.familyNameWanzeller Guedes de Lacerda
person.givenNameJoana
person.givenNameAna Cristina
person.identifier.ciencia-idE81F-11C0-E77C
person.identifier.orcid0000-0002-3910-8292
rcaap.cv.cienciaid6D16-185B-43D0 | Joana Rita Silva Fialho
rcaap.rightsopenAccessen_US
relation.isAuthorOfPublicationef3d870a-509e-4ee4-b673-2380756246f4
relation.isAuthorOfPublicationb353121e-fa46-43fe-b4c0-5e9848084d17
relation.isAuthorOfPublication.latestForDiscoveryef3d870a-509e-4ee4-b673-2380756246f4

Ficheiros

Principais
A mostrar 1 - 1 de 1
Miniatura
Nome:
O_USO_DE_MACHINE_LEARNING_NA_PREVENA_A_O_DA_DIABETES2026.pdf
Tamanho:
586.63 KB
Formato:
Adobe Portable Document Format
Ver/Abrir
Licença
A mostrar 1 - 1 de 1
Miniatura indisponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Ver/Abrir

Coleções

Depósitos Ciência Vitae
ESTGV - DI - Artigo em revista científica, indexada ao WoS/Scopus
ESTGV - DMAT - Artigo em revista científica, indexada ao WoS/Scopus