[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-124497-pt":3,"doc-seo-124497-112":30,"detail-sidebar-cat-0-pt-112":96},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},124497,8796095027276,"Valentina","https://avatar.qwps.com/avatar/d3BzX2FwX3Rlc3RfMjUxMTI2XzAxODA=",32,"Pesquisa e Relatórios","O uso de machine learning na prevenção de diabetes","Diabetes Mellitus figura entre as doenças crónicas de maior crescimento, exigindo abordagens eficazes para diagnóstico e prevenção. O trabalho analisa o Diabetes Health Indicators Dataset com metodologia CRISP-DM, reunindo variáveis sociodemográficas, clínicas e comportamentais. Para lidar com a baixa proporção de casos, aplica-se NearMiss no pré-processamento. A relevância das variáveis é avaliada por seleção de características, incluindo RFE e PCA, e comparam-se seis modelos: Random Forest, Gradient Boosting, KNN, Regressão Logística, MLP e RNN. Os resultados destacam a RNN, com acurácia acima de 86% e F1-score próximo de 0,87, e indicam potencial para priorização de acompanhamento clínico e suporte a políticas públicas, com necessidade de ampliar representatividade e incorporar Explainable AI.","O uso de machine learning na prevenção de diabetes  \nMaria Alice Holanda Lopes  \nTrabalho de Projeto  \nMestrado em Engenharia Informática-Sistemas de Informação  \nTrabalho efetuado sob a orientação de Professora Doutora Cristina Wanzeller  \nProfessora Doutora Joana Fialho  \nMarço de 2025  \nO uso de machine learning naprevenção de diabetes  \nMaria Alice Holanda Lopes  \nTrabalho de Projeto   \nMestrado em Engenharia Informática-Sistemas de Informação  \nTrabalho efetuado sob a orientação de  \nProfessora Doutora Cristina Wanzeller  \nProfessora Doutora Joana Fialho  \nMarço de 2025  \nAgradecimentos  \nGostaria, primeiramente, de expressar minha gratidão aos meus pais, que me proporcionaram não apenas o apoio necessário ao desenvolvimento desta tese, masque sempre estiveram presentes em todas as etapas da minha vida, oferecendo incentivo constante e incondicional.  \nAgradeço também, às professoras Doutoras Ana Cristina Wanzeller Guedes de Lacerda e Joana Rita Silva Fialho pela orientação, paciência e conhecimento compartilhado, fundamentais para a realização deste trabalho.  \nPor fim, meu sincero obrigado aos amigos que estiveram ao meu lado durante este percurso académico.  \nMuito obrigado a todos.  \nResumo  \nA Diabetes Mellitus é uma das doenças crónicas com crescimento mais acelerado no mundo, demandando soluções eficazes para diagnóstico e prevenção. Neste contexto, técnicas de Machine Learning (ML) apresentam potencial significativo na identificação de padrões relevantes ao controlo da doença. Este estudo utilizou ametodologia CRISP-DM para analisar dados do Diabetes Health Indicators Dataset, contendo informações sociodemográficas, clínicas e comportamentais.  \nNa fase de pré-processamento, aplicou-se o equilíbrio de classes por subamostragem (NearMiss) devido à baixa proporção de indivíduos diabéticos. Técnicas deseleção de características, como Eliminação Recursiva de Características (RFE) e Análise de Componentes Principais (PCA), foram utilizadas para avaliar a relevância das variáveis e reduzir a dimensionalidade. Avaliaram-se seis modelos: Floresta Aleatória, Gradient Boosting, KNN, Regressão Logística, Perceptron Multicamadas (MLP) e Redes Neuronais Recorrentes (RNN) .  \nOs resultados mostraram que o equilíbrio das classes melhorou significativamenteo desempenho, destacando-se a RNN, com acurácia acima de 86% e F1-score próximoa 0,87 . A combinação da seleção RFE com MLP também apresentou resultados robustos. Conclui-se que ML e DL são promissores para priorizar acompanhamento clínico e apoiar políticas públicas, sendo necessário ampliar a representatividade dos dados, incorporar técnicas de Explainable AI para maior interpretabilidade, eajustar limiares decisórios visando minimizar falsos negativos.  \nPalavras-Chave: Diabetes Mellitus, Machine Learning, Deep Learning, Redes Neuronais Recorrentes, Seleção de Características  \nAbstract  \nDiabetes Mellitus is one of the fastest growing chronic diseases in the world, requiring effective solutions for diagnosis and prevention. In this context, Machine Learning (ML) techniques have significant potential for identifying patterns relevant to disease control. This study used the CRISP-DM methodology to analyze data from the Diabetes Health Indicators Dataset, containing sociodemographic, clinical and behavioral information.  \nIn the pre-processing phase, class balancing by undersampling (NearMiss) was applied due to the low proportion of diabetic individuals. Feature selection techniques, such as Recursive Feature Elimination (RFE) and Principal Component Analysis (PCA), were used to assess the relevance of the variables and reduce dimensionality. Six models were evaluated: Random Forest, Gradient Boosting, KNN, Logistic Regression, Multilayer Perceptron (MLP) and Recurrent Neural Networks (RNN) .  \nThe results showed that class balancing significantly improved performance, with RNN standing out with accuracy above 86% and an F1-score near 0 .87. The combination of RFE feature sel","cbCainSO7yPaCnCo","https://ap.wps.com/l/cbCainSO7yPaCnCo","pdf",1678490,1,82,"Portuguese","pt",112,"# 1 Introdução\n## 1.1 Motivação\n## 1.2 Objetivos\n## 1.3 Plano de Trabalhos\n## 1.4 Estrutura do documento\n# 2 Revisão da Literatura\n## 2.1 Diabetes\n## 2.2 Seleção de características\n## 2.3 Machine Learning\n## 2.4 Deep Learning\n## 2.5 Machine learning e Deep Learning aplicada à prevenção de diabetes\n# 3 Desenvolvimento\n## 3.1 Metodologia","[{\"question\":\"Qual é o objetivo principal do estudo sobre diabetes?\",\"answer\":\"O estudo procura avaliar como técnicas de Machine Learning e Deep Learning podem apoiar a prevenção de Diabetes Mellitus, identificando padrões relevantes para controlo da doença.\"},{\"question\":\"Que metodologia foi usada para analisar os dados?\",\"answer\":\"Foi utilizada a metodologia CRISP-DM para estruturar a análise do Diabetes Health Indicators Dataset, cobrindo etapas como pré-processamento, seleção de variáveis e modelagem.\"},{\"question\":\"Como o trabalho lida com o desequilíbrio de classes no dataset?\",\"answer\":\"No pré-processamento, aplica-se o equilíbrio de classes por subamostragem com NearMiss, adequado à baixa proporção de indivíduos diabéticos.\"},{\"question\":\"Quais modelos obtiveram melhores resultados e quais foram as conclusões?\",\"answer\":\"A RNN destacou-se, com acurácia acima de 86% e F1-score próximo de 0,87. Conclui-se que ML e DL são promissores para apoiar acompanhamento clínico e políticas públicas, recomendando ampliar representatividade, incorporar Explainable AI e ajustar limiares para minimizar falsos negativos.\"}]","O uso de machine learning na prevenção de diabetes | PDF",1785822777,126,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":91,"head_meta":93,"extra_data":95,"updated_unix":28},"the-use-of-machine-learning-in-diabetes-prevention","",{"@graph":36,"@context":90},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/pt/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/pt/document/the-use-of-machine-learning-in-diabetes-prevention/124497/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-10","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82,86],{"name":73,"@type":74,"acceptedAnswer":75},"Qual é o objetivo principal do estudo sobre diabetes?","Question",{"text":76,"@type":77},"O estudo procura avaliar como técnicas de Machine Learning e Deep Learning podem apoiar a prevenção de Diabetes Mellitus, identificando padrões relevantes para controlo da doença.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Que metodologia foi usada para analisar os dados?",{"text":81,"@type":77},"Foi utilizada a metodologia CRISP-DM para estruturar a análise do Diabetes Health Indicators Dataset, cobrindo etapas como pré-processamento, seleção de variáveis e modelagem.",{"name":83,"@type":74,"acceptedAnswer":84},"Como o trabalho lida com o desequilíbrio de classes no dataset?",{"text":85,"@type":77},"No pré-processamento, aplica-se o equilíbrio de classes por subamostragem com NearMiss, adequado à baixa proporção de indivíduos diabéticos.",{"name":87,"@type":74,"acceptedAnswer":88},"Quais modelos obtiveram melhores resultados e quais foram as conclusões?",{"text":89,"@type":77},"A RNN destacou-se, com acurácia acima de 86% e F1-score próximo de 0,87. Conclui-se que ML e DL são promissores para apoiar acompanhamento clínico e políticas públicas, recomendando ampliar representatividade, incorporar Explainable AI e ajustar limiares para minimizar falsos negativos.","https://schema.org",{"og:url":52,"og:type":92,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":94,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":97},[98,103,107,111,115,119,123,125,129,133],{"id":99,"doc_module":4,"doc_module_name":46,"category_name":100,"show_sort_weight":101,"slug":102},26,"Contos e Romances",60,"story-novel",{"id":104,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":101,"slug":106},46,"Estilo de Vida","lifestyle",{"id":108,"doc_module":4,"doc_module_name":46,"category_name":109,"show_sort_weight":101,"slug":110},28,"Exames","exam",{"id":112,"doc_module":4,"doc_module_name":46,"category_name":113,"show_sort_weight":101,"slug":114},47,"Geral","general",{"id":116,"doc_module":4,"doc_module_name":46,"category_name":117,"show_sort_weight":101,"slug":118},29,"Histórias em Quadrinhos","comic",{"id":120,"doc_module":4,"doc_module_name":46,"category_name":121,"show_sort_weight":101,"slug":122},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":101,"slug":124},"research-report",{"id":126,"doc_module":4,"doc_module_name":46,"category_name":127,"show_sort_weight":101,"slug":128},33,"Religião e Espiritualidade","religion-spirituality",{"id":130,"doc_module":4,"doc_module_name":46,"category_name":131,"show_sort_weight":101,"slug":132},31,"Saúde e Cuidados","healthcare",{"id":134,"doc_module":4,"doc_module_name":46,"category_name":135,"show_sort_weight":101,"slug":136},45,"Tecnologia","technology"]