Análise comparativa de classificadores supervisionados aplicados à detecção de diabetes

Abstract

A diabetes mellitus é uma das doenças crônicas mais impactantes do mundo, com dados da Organização Mundial da Saúde e da Federação Internacional de Diabetes apontando para o aumento quadruplicado dos casos nas últimas décadas e a necessidade urgente de ações preventivas [8, 9, 10]. Diante dessa crescente prevalência global, a educação em saúde e as estratégias eficazes de detecção precoce tornam-se indispensáveis [11]. Este estudo, baseado no artigo "Comparative Effectiveness of Classification Algorithms in Predicting Diabetes", utiliza o conjunto de dados clínicos ’Diabetes Prediction Dataset’ para avaliar e comparar algoritmos de aprendizado de máquina supervisionado. Foram implementados os modelos de Regressão Logística, Árvore de Decisão, Random Forest e XGBoost (não presente no estudo original). As etapas metodológicas incluíram pré-processamento, balanceamento com SMOTE, validação cruzada e ajuste de hiperparâmetros. A avaliação dos modelos foi feita com métricas como acurácia, precisão, recall, F1-score, matriz de confusão e AUC. Os resultados possibilitaram analisar o desempenho individual de cada classificador e comparar os achados com o estudo original, contribuindo para o aprimoramento de soluções computacionais aplicadas à saúde preventiva.