[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-118205-pt":3,"doc-seo-118205-112":31,"detail-sidebar-cat-0-pt-112":95},{"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":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},118205,687207024643,"Oliver","https://ap-avatar.wpscdn.com/davatar_3d24733baf745e90a7e4bdd5f77d97b2",31,"Saúde e Cuidados","Utilização de Machine Learning para Prever a Recorrência de Tumores Cerebrais","Este trabalho aplica técnicas de machine learning para prever a recorrência de tumores cerebrais com base em atributos clínicos dos pacientes, visando apoiar médicos e pacientes na tomada de decisões mais informadas sobre tratamento e monitoramento. O estudo utiliza uma base de dados do Kaggle e etapas de desenvolvimento no Google Colab com Python e bibliotecas especializadas. O pré-processamento inclui one-hot encoding para a variável Treatment (Radiation, Surgery, Chemotherapy), permitindo interpretação pelos algoritmos. Redes neurais demonstram desempenho elevado, com acurácia de 98,67%, F1 score de 99,04% e recall de 99,28%.","USING MACHINE LEARNING TO PREDICT RECURRENCE OF BRAIN TUMORS  \nUTILIZAÇÃO DE MACHINE LEARNING PARAPREVER A RECORRÊNCIA DE TUMORES CEREBRAIS  \nLUPIANEZ FILHO, José Roberto; TAVARES, Lucas Costa; SANTOS, Flávia Aparecida Oliveira; CARVALHO, Jaqueline Corrêa Silva; CARVALHO, Marcos Alberto; RAMOS, Celso de Ávila; BASTOS, Camila; SOUZA, Patrícia Carolina; SILVA, Vinícius Duarte Esteves  \nJosé Roberto Lupianez Filho, UNIFENAS, Brasil  \nLucas Costa Tavares, UNIFENAS, Brasil Flávia Aparecida Oliveira Santos, UNIFENAS, Brasil  \nJaqueline Corrêa Silva Carvalho, UNIFENAS, Brasil  \nMarcos Alberto Carvalho, UNIFENAS, Brasil  \nCelso de Ávila Ramos, UNIFENAS, Brasil Camila Bastos, UNIFENAS, Brasil Patrícia Carolina Souza, UNIFENAS, Brasil Vinícius Duarte Esteves, UNIFENAS, Brasil  \nRevista Científica da UNIFENAS Universidade Professor Edson Antônio Velano, Brasil ISSN: 2596-3481  \nPublicação: Trimestral vol. 6, nº . 5, 2024  \n[revista@unifenas.br](revista@unifenas.br)  \n[Recebido: 08/07/2024](Recebido: 08/07/2024)  \n[Aceito: 28/08/2024](Aceito: 28/08/2024)  \n[Publicado: 09/09/2024](Publicado: 09/09/2024)  \nURL: [https://revistas.unifenas.br/index.php/revistaunifenas/issue/view/52](https://revistas.unifenas.br/index.php/revistaunifenas/issue/view/52)  \nDOI: 10. 29327/2385054 .6.5-12  \nABSTRACT: Tumors can cause distress in people close to them, and in the process of investigating the subject, discoveries about related topics can be found. This work seeks to use machine learning to predict the recurrence of brain tumors in patients based on some attributes of these patients. This study was developed using Machine Learning techniques, used a Kaggle database, and the development steps were carried out in Google Colab, using the Python language and several specialized libraries. This prediction can help doctors and patients make more informed decisions about the treatment and monitoring of the disease. First, data preprocessing was done, which involved the application of one-hot encoding to the Treatment column, which contains three distinct categories (Radiation, Surgery, and Chemotherapy) . This transformation is necessary to convert categorical data into a numerical format that can be interpreted by Machine Learning algorithms. This study demonstrated the effectiveness of using Machine Learning techniques, specifically neural networks, to predict the recurrence of brain tumors. With an accuracy of 98.67%, F1 score of 99.04% and recall of 99.28%, the model proved tobe highly accurate, indicating that the use of Machine Learning can be a powerful tool in medicine, helping doctors and patients in making more informed decisions about the treatment and monitoring of brain tumors.  \nKEYWORDS: Artificial Intelligence, Machine Learning, Supervised, Medicine, Brain Tumors.  \nRESUMO: Tumores podem causar comoção em pessoaspróximas e, no processo de investigação do tema, pode-seencontrar descobertas a respeito de temas próximos. Estetrabalho tem como objetivo usar o machine learning paraprever a recorrência de tumores cerebrais em pacientes baseando-se em alguns atributos desses pacientes. Este estudo foi desenvolvido utilizando técnicas de Machine Learning, utilizou uma base de dados do Kaggle e as etapas do desenvolvimento foram realizadas no Google Colab, utilizando a linguagem Python e diversas bibliotecasespecializadas. Esta previsão pode auxiliar médicos epacientes na tomada de decisões mais informadas sobre otratamento e monitoramento da doença. Primeiramente foi feito o Pré-processamento dos dados, que envolveu aaplicação de one-hot encoding para a coluna Treatment, que  \ncontém três categorias distintas (Radiation, Surgery e Chemotherapy) . Esta transformação é necessária para converter dados categóricos em um formato numérico que pode ser interpretado pelos algoritmos de Machine Learning. Este estudo demonstrou a eficácia do uso de técnicas de Machine Learning, especificamente redes neurais, para prever a recorrência de tumores cerebrais. Com ","cbCaiooL8BU6yiVO","https://ap.wps.com/l/cbCaiooL8BU6yiVO","pdf",296642,3,1,4,"Portuguese","pt",112,"# Introdução\n# Metodologia","[{\"question\":\"Qual é o objetivo do estudo?\",\"answer\":\"Usar machine learning para prever a recorrência de tumores cerebrais em pacientes com base em atributos clínicos.\"},{\"question\":\"Que dados e ferramentas foram usados no desenvolvimento?\",\"answer\":\"O estudo utiliza uma base do Kaggle e foi desenvolvido no Google Colab, usando a linguagem Python com bibliotecas especializadas.\"},{\"question\":\"Como foi feito o pré-processamento dos dados?\",\"answer\":\"Foi aplicado one-hot encoding na coluna Treatment, que contém três categorias: Radiation, Surgery e Chemotherapy, convertendo dados categóricos em formato numérico para os algoritmos.\"},{\"question\":\"Quais resultados de desempenho o modelo apresentou?\",\"answer\":\"O modelo, baseado em redes neurais, alcançou acurácia de 98,67%, F1 score de 99,04% e recall de 99,28%, indicando alta precisão.\"}]","Utilização de Machine Learning para Prever a Recorrência de Tumores Cerebrais | PDF",1785682169,6,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":90,"head_meta":92,"extra_data":94,"updated_unix":29},"using-machine-learning-to-predict-recurrence-of-brain-tumors","",{"@graph":37,"@context":89},[38,53,68],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/pt/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/pt/document/saúde-e-cuidados/",{"item":52,"name":13,"@type":44,"position":22},"https://docshare.wps.com/pt/document/using-machine-learning-to-predict-recurrence-of-brain-tumors/118205/",{"url":52,"name":13,"@type":54,"author":55,"headline":13,"publisher":57,"fileFormat":60,"inLanguage":24,"description":14,"dateModified":61,"datePublished":62,"encodingFormat":60,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":56},"Person",{"url":42,"name":58,"@type":59},"DocShare","Organization","application/pdf","2026-08-17","2026-08-02",true,{"@type":65,"interactionType":66,"userInteractionCount":20},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71,77,81,85],{"name":72,"@type":73,"acceptedAnswer":74},"Qual é o objetivo do estudo?","Question",{"text":75,"@type":76},"Usar machine learning para prever a recorrência de tumores cerebrais em pacientes com base em atributos clínicos.","Answer",{"name":78,"@type":73,"acceptedAnswer":79},"Que dados e ferramentas foram usados no desenvolvimento?",{"text":80,"@type":76},"O estudo utiliza uma base do Kaggle e foi desenvolvido no Google Colab, usando a linguagem Python com bibliotecas especializadas.",{"name":82,"@type":73,"acceptedAnswer":83},"Como foi feito o pré-processamento dos dados?",{"text":84,"@type":76},"Foi aplicado one-hot encoding na coluna Treatment, que contém três categorias: Radiation, Surgery e Chemotherapy, convertendo dados categóricos em formato numérico para os algoritmos.",{"name":86,"@type":73,"acceptedAnswer":87},"Quais resultados de desempenho o modelo apresentou?",{"text":88,"@type":76},"O modelo, baseado em redes neurais, alcançou acurácia de 98,67%, F1 score de 99,04% e recall de 99,28%, indicando alta precisão.","https://schema.org",{"og:url":52,"og:type":91,"og:title":13,"og:site_name":58,"og:description":14},"article",{"robots":93,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":96},[97,102,106,110,114,118,122,126,130,132],{"id":98,"doc_module":4,"doc_module_name":47,"category_name":99,"show_sort_weight":100,"slug":101},26,"Contos e Romances",60,"story-novel",{"id":103,"doc_module":4,"doc_module_name":47,"category_name":104,"show_sort_weight":100,"slug":105},46,"Estilo de Vida","lifestyle",{"id":107,"doc_module":4,"doc_module_name":47,"category_name":108,"show_sort_weight":100,"slug":109},28,"Exames","exam",{"id":111,"doc_module":4,"doc_module_name":47,"category_name":112,"show_sort_weight":100,"slug":113},47,"Geral","general",{"id":115,"doc_module":4,"doc_module_name":47,"category_name":116,"show_sort_weight":100,"slug":117},29,"Histórias em Quadrinhos","comic",{"id":119,"doc_module":4,"doc_module_name":47,"category_name":120,"show_sort_weight":100,"slug":121},27,"Literatura","literature",{"id":123,"doc_module":4,"doc_module_name":47,"category_name":124,"show_sort_weight":100,"slug":125},32,"Pesquisa e Relatórios","research-report",{"id":127,"doc_module":4,"doc_module_name":47,"category_name":128,"show_sort_weight":100,"slug":129},33,"Religião e Espiritualidade","religion-spirituality",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":100,"slug":131},"healthcare",{"id":133,"doc_module":4,"doc_module_name":47,"category_name":134,"show_sort_weight":100,"slug":135},45,"Tecnologia","technology"]