Um estudo desenvolvido no curso de Engenharia de Computação do Campus Bambuí avaliou modelos de aprendizado de máquina para classificar desfechos de 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. Eles são vinculados ao Grupo de Pesquisa em Sistemas Computacionais (GPSisCom), certificado pelo CNPq e sediado no Canastra HUB, no Campus Bambuí.
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.
Os algoritmos comparados foram Random Forest, XGBoost, CatBoost e LightGBM. O objetivo foi verificar a capacidade dos modelos de classificar quatro possíveis resultados do tratamento da tuberculose.
Os resultados do tratamento classificados incluíam cura, abandono, óbito por tuberculose e óbito por outras causas. A análise buscou entender a precisão desses modelos na identificação de cada desfecho.
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, técnicas de balanceamento foram aplicadas.
Os pesquisadores compararam o desempenho dos algoritmos em diferentes configurações dos dados. Nos dados sem balanceamento, os modelos acertaram, em média, 75% das previsões.
No entanto, segundo o IFMG, os modelos 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 informações clínicas e socioeconômicas pode ajudar a diferenciar os 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. A publicação ocorreu na IEEE Latin America Transactions.
A IEEE Latin America Transactions é um periódico científico mensal do Institute of Electrical and Electronics Engineers (IEEE). A revista é voltada à divulgação de pesquisas nas áreas de engenharia, computação e tecnologias relacionadas.
O periódico adota avaliação por pares antes da publicação e está indexado em bases científicas reconhecidas. Entre elas estão IEEE Xplore, Web of Science e Scopus. Na classificação Qualis CAPES, o periódico está na categoria B1 na área de Engenharias IV.